Simulando padrões de acesso a memória com Wasserstein-GAN

  • Arnon Bruno Ventrilho dos Santos UFPR
  • Francis Birck Moreira UFPR
  • Marco Antonio Zanata Alves UFPR

Resumo


Neste trabalho exploramos a possibilidade de simular traços de padrões de acesso a memória utilizando o mecanismo de redes neurais adversárias denominado Wasserstein-GAN (WGAN). A experimentação demonstrou que os padrões de footprint, diferença média entre endereços e reutilização de memória obtidos artificialmente são diferentes daqueles verificados a partir dos padrões reais. Este resultado sugere que o mecanismo de produção de traços artificiais não foi capaz de simular acessos com padrões realistas.

Referências

Hashemi, Milad, et al. "Learning memory access patterns." International Conference on Machine Learning. PMLR, 2018.

Goodfellow, Ian, et al. "Generative adversarial nets." Advances in neural information processing systems 27 (2014)

Arjovsky, Martin, Soumith Chintala, and Léon Bottou. "Wasserstein generative adversarial networks." International conference on machine learning. PMLR, 2017

Santos, Arnon, and Deborah Ribeiro Carvalho. "Generating synthetic 2019-nCoV samples with WGAN to increase the precision of an Ensemble Classifier." Iberoamerican Journal of Applied Computing 10.2 (2020).
Publicado
18/04/2022
SANTOS, Arnon Bruno Ventrilho dos; MOREIRA, Francis Birck; ALVES, Marco Antonio Zanata. Simulando padrões de acesso a memória com Wasserstein-GAN. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 22. , 2022, Curitiba. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 73-74. ISSN 2595-4164. DOI: https://doi.org/10.5753/eradrs.2022.19168.