Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Lopes, Alba Sandyra Bezerra |
| Orientador(a): |
Pereira, Mônica Magalhães |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/32220
|
Resumo: |
A cada ano aumenta-se a demanda por recursos computacionais das aplicações que executam em sistemas embarcados. Para atender a essa demanda, os projetos desses sistemas combinam componentes diversificados, resultando em plataformas heterogêneas que buscam balancear o poder de processamento com o consumo de energia. Os aceleradores reconfiguráveis se apresentam como uma alternativa cada vez mais frequente para atender a essas demandas. Entretanto, uma questão chave no projeto de aceleradores reconfiguráveis (RAs) acoplados a processadores de propósito geral (GPPs) é quais componentes combinar para atender ao desempenho esperado ao custo de área e potência adicionais. Realizar uma vasta exploração do espaço de projeto permite mensurar previamente o custo dessas plataformas antes da fase de fabricação. Entretanto a quantidade de possibilidades de soluções a serem avaliadas cresce de maneira exponencial e avaliar todas as soluções e ainda atender ao time-to-market é uma tarefa inviável. Neste trabalho, é apresentada FRiDA (do inglês Predictive tool for Fast DSE of Processors combined with Reconfigurable Accelerators), uma ferramenta de predição para acelerar a exploração de espaço de projeto de sistemas que usam aceleradores reconfiguráveis. A ferramenta proposta utiliza aprendizado de máquina e através da simulação de um subconjunto do espaço de projeto em um simulador de alto nível, modelos de regressão são treinados para predizer os custos de novas configurações arquiteturais não simuladas. Diferentes modelos de regressão foram considerados para serem usados por FRiDA, e os modelos baseados em comitês de regressores, em particular o modelo Gradient Boosting, apresentaram os melhores custo-benefícios quando considerados aspectos como acurácia e taxa de predições por segundo. No estudo de caso utilizado para validação da ferramenta, foi possível alcançar taxas de erro de predição abaixo de 3,5% quando os resultados foram comparados a um simulador de alto nível, e realizar mais de 6.000 predições por segundo, sendo possível percorrer o espaço de projeto investigado que continha mais de 100.000 configurações arquiteturais em menos de 30 segundos. FRiDA possibilita ainda que o projetista defina quais aspectos do projeto deseja otimizar, além de permitir a inclusão de novos aspectos. E assim, permite explorar milhares de configurações arquiteturais e encontrar soluções de alta eficiência com uma baixa taxa de erro de predição. FRiDA permite ainda acoplar uma heurística multiobjetiva, e entrega rapidamente ao projetista soluções que satisfaçam a um ou a múltiplos aspectos conflitantes do projeto. |
