ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Alexandre dos Santos Mignon
Orientador(a): Ricardo Luis de Azevedo da Rocha
Banca de defesa: Jose Nelson Amaral, Edson Satoshi Gomi, João José Neto, Flavio Soares Correa da Silva
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade de São Paulo
Programa de Pós-Graduação: Engenharia Elétrica
Departamento: Não Informado pela instituição
País: BR
Link de acesso: https://doi.org/10.11606/T.3.2017.tde-05092017-101617
Resumo: Determinar o melhor conjunto de otimizações para serem aplicadas a um programa tem sido o foco de pesquisas em otimização de compilação por décadas. Em geral, o conjunto de otimizações é definido manualmente pelos desenvolvedores do compilador e aplicado a todos os programas. Técnicas de aprendizado de máquina supervisionado têm sido usadas para o desenvolvimento de heurísticas de otimização de código. Elas pretendem determinar o melhor conjunto de otimizações com o mínimo de interferência humana. Este trabalho apresenta o ML4JIT, um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT para a linguagem Java. O arcabouço permite que sejam realizadas pesquisas para encontrar uma melhor sintonia das otimizações específica para cada método de um programa. Experimentos foram realizados para a validação do arcabouço com o objetivo de verificar se com seu uso houve uma redução no tempo de compilação dos métodos e também no tempo de execução do programa.
id USP_07489ac9d5b2076a1a868315c3081d30
oai_identifier_str oai:teses.usp.br:tde-05092017-101617
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT. ML4JIT - a framework for research on machine learning in JIT compilers. 2017-06-27Ricardo Luis de Azevedo da RochaJose Nelson AmaralEdson Satoshi GomiJoão José NetoFlavio Soares Correa da SilvaAlexandre dos Santos MignonUniversidade de São PauloEngenharia ElétricaUSPBR Aprendizado computacional Code optimization JIT compilers Machine learning Montadores e compiladores Determinar o melhor conjunto de otimizações para serem aplicadas a um programa tem sido o foco de pesquisas em otimização de compilação por décadas. Em geral, o conjunto de otimizações é definido manualmente pelos desenvolvedores do compilador e aplicado a todos os programas. Técnicas de aprendizado de máquina supervisionado têm sido usadas para o desenvolvimento de heurísticas de otimização de código. Elas pretendem determinar o melhor conjunto de otimizações com o mínimo de interferência humana. Este trabalho apresenta o ML4JIT, um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT para a linguagem Java. O arcabouço permite que sejam realizadas pesquisas para encontrar uma melhor sintonia das otimizações específica para cada método de um programa. Experimentos foram realizados para a validação do arcabouço com o objetivo de verificar se com seu uso houve uma redução no tempo de compilação dos métodos e também no tempo de execução do programa. Determining the best set of optimizations to be applied in a program has been the focus of research on compile optimization for decades. In general, the set of optimization is manually defined by compiler developers and apply to all programs. Supervised machine learning techniques have been used for the development of code optimization heuristics. They intend to determine the best set of optimization with minimal human intervention. This work presents the ML4JIT, a framework for research with machine learning in JIT compilers for Java language. The framework allows research to be performed to better tune the optimizations specific to each method of a program. Experiments were performed for the validation of the framework with the objective of verifying if its use had a reduction in the compilation time of the methods and also in the execution time of the program. https://doi.org/10.11606/T.3.2017.tde-05092017-101617info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USP2023-12-21T18:16:46Zoai:teses.usp.br:tde-05092017-101617Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212018-07-17T16:38:18Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.pt.fl_str_mv ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
dc.title.alternative.en.fl_str_mv ML4JIT - a framework for research on machine learning in JIT compilers.
title ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
spellingShingle ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
Alexandre dos Santos Mignon
title_short ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
title_full ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
title_fullStr ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
title_full_unstemmed ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
title_sort ML4JIT- um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT.
author Alexandre dos Santos Mignon
author_facet Alexandre dos Santos Mignon
author_role author
dc.contributor.advisor1.fl_str_mv Ricardo Luis de Azevedo da Rocha
dc.contributor.referee1.fl_str_mv Jose Nelson Amaral
dc.contributor.referee2.fl_str_mv Edson Satoshi Gomi
dc.contributor.referee3.fl_str_mv João José Neto
dc.contributor.referee4.fl_str_mv Flavio Soares Correa da Silva
dc.contributor.author.fl_str_mv Alexandre dos Santos Mignon
contributor_str_mv Ricardo Luis de Azevedo da Rocha
Jose Nelson Amaral
Edson Satoshi Gomi
João José Neto
Flavio Soares Correa da Silva
description Determinar o melhor conjunto de otimizações para serem aplicadas a um programa tem sido o foco de pesquisas em otimização de compilação por décadas. Em geral, o conjunto de otimizações é definido manualmente pelos desenvolvedores do compilador e aplicado a todos os programas. Técnicas de aprendizado de máquina supervisionado têm sido usadas para o desenvolvimento de heurísticas de otimização de código. Elas pretendem determinar o melhor conjunto de otimizações com o mínimo de interferência humana. Este trabalho apresenta o ML4JIT, um arcabouço para pesquisa com aprendizado de máquina em compiladores JIT para a linguagem Java. O arcabouço permite que sejam realizadas pesquisas para encontrar uma melhor sintonia das otimizações específica para cada método de um programa. Experimentos foram realizados para a validação do arcabouço com o objetivo de verificar se com seu uso houve uma redução no tempo de compilação dos métodos e também no tempo de execução do programa.
publishDate 2017
dc.date.issued.fl_str_mv 2017-06-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://doi.org/10.11606/T.3.2017.tde-05092017-101617
url https://doi.org/10.11606/T.3.2017.tde-05092017-101617
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade de São Paulo
dc.publisher.program.fl_str_mv Engenharia Elétrica
dc.publisher.initials.fl_str_mv USP
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade de São Paulo
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1786376584828026880