Caracterização do Comportamento de E/S Utilizando Aprendizado não Supervisionado

  • Pablo Pavan UFRGS
  • Jean Luca Bez UFRGS
  • Matheus Serpa UFRGS
  • Francieli Zanon Boito INRIA
  • Philippe Olivier Alexandre Navaux UFRGS

Resumo


Nas aplicações de HPC operações de E/S são gargalos devido a diferença entre velocidade de processamento e de acesso a um dado. Assim, caracterizar as operações pode auxiliar na busca de desempenho. Deste modo, este trabalho propõe uma abordagem com aprendizado não supervisionado para a caracterização de E/S. Utilizando dados do supercomputador Intrepid, fomos capazes de identificar a principal característica de suas aplicações.

Palavras-chave: Avaliação, Medição e Predição de Desempenho, Sistemas de Arquivos e de Entrada e Saída de Alto Desempenho, Aglomerados (Clusters)

Referências

Calzarossa, M. C., Massari, L., and Tessera, D. (2016). Workload characterization: A survey revisited. ACM Computing Surveys (CSUR), 48(3):48.

Di, S., Kondo, D., and Cappello, F. (2014). Characterizing and modeling cloud applications/ jobs on a google data center. The Journal of Supercomputing, 69(1):139–160.

Liu, Y., Gunasekaran, R., Ma, X., and Vazhkudai, S. S. (2016). Server-side log data analytics for i/o workload characterization and coordination on large shared storage systems. In SC’16: International Conference for High Performance Computing, pages 819–829. IEEE.

Zoll, Q., Zhu, Y., and Feng, D. (2010). A study of self-similarity in parallel I/O workloads. In Mass Storage Systems and Technologies (MSST), 2010 IEEE 26th Symposium on, pages 1–6. IEEE.
Publicado
15/04/2020
PAVAN, Pablo; BEZ, Jean Luca; SERPA, Matheus; BOITO, Francieli Zanon; NAVAUX, Philippe Olivier Alexandre. Caracterização do Comportamento de E/S Utilizando Aprendizado não Supervisionado. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 20. , 2020, Santa Maria. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 161-162. ISSN 2595-4164. DOI: https://doi.org/10.5753/eradrs.2020.10787.