Proposta de Metodologia de Avaliação de Desempenho de Hardware e Software por Meio do Modelo Roofline
Resumo
Neste trabalho, devido a crescente demanda por recursos computacionais e limitações energéticas, é proposta uma metodologia de avaliação de desempenho com base em parâmetros teóricos e práticos do modelo Roofline e usando o gráfico bidimensional que faz parte de ferramentas que implementam este modelo. Essa metodologia permite identificar padrões de desempenho nas aplicações, seus principais requisitos computacionais, fatores que limitam o desempenho e sugerir a melhor arquitetura para executar uma aplicação. Foram desenvolvidos experimentos, com foco na avaliação de algoritmos de Aprendizado de Máquina, onde a metodologia proposta é avaliada se mostrando efetiva.Referências
Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A. (1984). Classification and regression trees. CRC press.
de Sá, V., Klôh, V., Schulze, B., and Ferro, M. (2020). Análise de desempenho e de requisitos computacionais utilizando o modelo roofline: Um estudo para aplicações de inteligência artificial e do nas-hpc. In WSCAD 2020 WIC ().
García Martín, E. (2020). Energy Efficiency in Machine Learning: Approaches to Sustainable Data Stream Mining. PhD thesis, D. Computer Science.
Ibrahim, K., Williams, S., and Oliker, L. (2020). Performance Analysis of GPU Programming Models Using the Roofline Scaling Trajectories, pages 3–19.
Kim, K.-H., Kim, K.-H., and Park, Q.-H. (2011). Performance analysis and optimization of three-dimensional fdtd on gpu using roofline model. Computer Physics Communications, 182:1201–1207.
Pereira, R., Couto, M., Ribeiro, F., Rua, R., Cunha, J., Fernandes, J. a. P., and Saraiva, J. a. (2017). Energy efficiency across programming languages: How do energy, time, and memory relate? In Proceedings of the 10th ACM SIGPLAN International Conference on Software Language Engineering, SLE 2017, page 256–267, New York, NY, USA.
Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Silva, G., Schulze, B., and Ferro, M. (2021). Performance and energy efficiency analysis of machine learning algorithms towards green ai: a case study of decision tree algorithms. Master’s thesis, National Lab. for Scientific Computing.
Williams, S., Waterman, A., and Patterson, D. (2009). Roofline:an insightful visual performance model for multicore architectures. Commun.ACM, 52(4):65–76.
de Sá, V., Klôh, V., Schulze, B., and Ferro, M. (2020). Análise de desempenho e de requisitos computacionais utilizando o modelo roofline: Um estudo para aplicações de inteligência artificial e do nas-hpc. In WSCAD 2020 WIC ().
García Martín, E. (2020). Energy Efficiency in Machine Learning: Approaches to Sustainable Data Stream Mining. PhD thesis, D. Computer Science.
Ibrahim, K., Williams, S., and Oliker, L. (2020). Performance Analysis of GPU Programming Models Using the Roofline Scaling Trajectories, pages 3–19.
Kim, K.-H., Kim, K.-H., and Park, Q.-H. (2011). Performance analysis and optimization of three-dimensional fdtd on gpu using roofline model. Computer Physics Communications, 182:1201–1207.
Pereira, R., Couto, M., Ribeiro, F., Rua, R., Cunha, J., Fernandes, J. a. P., and Saraiva, J. a. (2017). Energy efficiency across programming languages: How do energy, time, and memory relate? In Proceedings of the 10th ACM SIGPLAN International Conference on Software Language Engineering, SLE 2017, page 256–267, New York, NY, USA.
Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Silva, G., Schulze, B., and Ferro, M. (2021). Performance and energy efficiency analysis of machine learning algorithms towards green ai: a case study of decision tree algorithms. Master’s thesis, National Lab. for Scientific Computing.
Williams, S., Waterman, A., and Patterson, D. (2009). Roofline:an insightful visual performance model for multicore architectures. Commun.ACM, 52(4):65–76.
Publicado
26/10/2021
Como Citar
SÁ, Vitor de; SCHULZE, Bruno; FERRO, Mariza.
Proposta de Metodologia de Avaliação de Desempenho de Hardware e Software por Meio do Modelo Roofline. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA - SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO (SSCAD), 22. , 2021, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 25-32.
DOI: https://doi.org/10.5753/wscad_estendido.2021.18637.
