Predição de Eficiência Energética em Aplicações de HPC

• Isabella Muniz LNCC / FAETERJ
• Micaella Coelho LNCC
• Alexandre Porto LNCC
• Hiago Rocha LNCC
• Kary Ocaña LNCC
• Carla Osthoff LNCC

DOI: https://doi.org/10.5753/eradse.2025.16923

Resumo

O presente trabalho propõe a avaliação de uma metodologia baseada em aprendizado de máquina para apoiar a seleção de configurações de execução em ambientes de Computação de Alto Desempenho (HPC). Com o uso do modelo Extra Trees Regressor (ETR) e dados de execução da aplicação RAxML, foi possível estimar combinações de número de nós e de threads que minimizam o Energy-Delay Product (EDP). Os resultados demonstraram baixo erro preditivo (MAE = 0,05), evidenciando a viabilidade da abordagem para reduzir o consumo energético e otimizar a utilização de supercomputadores.

Referências

Coelho, M., Porto, A., de A. Rocha, H. M. G., Muniz, I., Cardoso, D. O., Ocaña, K., Lorenzon, A., Navaux, P. O. A., and Osthoff, C. (2025). Modelagem preditiva de energy-delay product para otimização de submissões em supercomputadores. In Anais do Simpósio em Sistemas Computacionais de Alto Desempenho (SSCAD), Brasil. Sociedade Brasileira de Computação (SBC).

Lorenzon, A. F., Beck, A. C. S., Navaux, P. O., and Messer, B. (2025). Energy-efficient gpu allocation and frequency management in exascale computing systems. In ISC High Performance 2025 Research Paper Proceedings (40th International Conference), pages 1–11. Prometeus GmbH.

Porto, A. H., Coelho, M., Rocha, H. M., Osthoff, C., Ocaña, K., and Cardoso, D. O. (2026). Assuming the best: Towards a reliable protocol for resource usage prediction for high-performance computing based on machine learning. Future Generation Computer Systems, 175:108070.