Predição de Consumo Energético de Aplicações OpenMP em Máquinas Multi-core com Aprendizado de Máquina
Resumo
O trabalho analisa o consumo energético de aplicações OpenMP em máquinas multi-core usando regressão polinomial, destacando que essa técnica é mais eficaz que a linear para prever o consumo de energia. A CPU consome entre 82% e 88%, e a DRAM entre 11% e 17%. Com valores de MAPE próximos de 1%, a regressão polinomial de grau 3 se mostrou eficiente. Não houve correlação direta entre tempo de execução e consumo, sugerindo que otimizações na distribuição de tarefas podem reduzir o consumo energético sem afetar a eficiência.
Palavras-chave:
Predição, Análise de Desempenho, OpenMP
Referências
Amaris, M., Camargo, R., Cordeiro, D., Goldman, A., and Trystram, D. (2023). Evaluating execution time predictions on gpu kernels using an analytical model and machine learning techniques. JPDC, 171:66–78.
Chein, F. (2019). Introdução aos modelos de regressão linear: um passo inicial para compreensão da econometria como uma ferramenta de avaliação de políticas públicas. ENAP, Brasília.
Cordeiro, D., Francesquini, E., Amarís, M., Castro, M., Baldassin, A., and Lima, J. (2023). Green cloud computing: Challenges and opportunities. In Anais do XIX SBSI, pages 129–131, Maceió/AL. SBC.
IEA (2023). Tracking clean energy progress. [link]. Licença: CC BY 4.0.
Lewis, C. D. (1982). Industrial and Business Forecasting Methods. Butterworths.
Penha, D., Corrêa, J., and Martins, C. (2002). Análise comparativa do uso de multi-thread e openmp aplicados a operações de convolução de imagem. In Anais do III Workshop em Sistemas Computacionais de Alto Desempenho, pages 118–125, Porto Alegre, RS, Brasil. SBC.
Uribe, D. (2022). Plataforma para medir el consumo energético de algoritmos. Universidad de Concepción.
Williams, J. and Curtis, L. (2008). Green: The new computing coat of arms? IT Professional Magazine, 10(1):12.
Chein, F. (2019). Introdução aos modelos de regressão linear: um passo inicial para compreensão da econometria como uma ferramenta de avaliação de políticas públicas. ENAP, Brasília.
Cordeiro, D., Francesquini, E., Amarís, M., Castro, M., Baldassin, A., and Lima, J. (2023). Green cloud computing: Challenges and opportunities. In Anais do XIX SBSI, pages 129–131, Maceió/AL. SBC.
IEA (2023). Tracking clean energy progress. [link]. Licença: CC BY 4.0.
Lewis, C. D. (1982). Industrial and Business Forecasting Methods. Butterworths.
Penha, D., Corrêa, J., and Martins, C. (2002). Análise comparativa do uso de multi-thread e openmp aplicados a operações de convolução de imagem. In Anais do III Workshop em Sistemas Computacionais de Alto Desempenho, pages 118–125, Porto Alegre, RS, Brasil. SBC.
Uribe, D. (2022). Plataforma para medir el consumo energético de algoritmos. Universidad de Concepción.
Williams, J. and Curtis, L. (2008). Green: The new computing coat of arms? IT Professional Magazine, 10(1):12.
Publicado
23/10/2024
Como Citar
QUEIROZ, Fellipe; DAMASCENO, Erick; SIQUEIRA, Luan; AMARIS, Marcos; RODRIGUES, Thiago.
Predição de Consumo Energético de Aplicações OpenMP em Máquinas Multi-core com Aprendizado de Máquina. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA - SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO (SSCAD), 25. , 2024, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 129-136.
DOI: https://doi.org/10.5753/sscad_estendido.2024.244061.
