پیشبینی کارآیی برنامههای منظم کودا از طریق روشهای یادگیری ماشین
نویسندگان
1 گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران
2 گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
3 گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
doi
10.22052/scj.2024.252862.1145چکیده
پیشبینی کارآیی پردازندههای گرافیکی یک چالش برای برنامهنویسان کودا است و در تنظیم برنامهها کاربرد وسیعی دارد چراکه سربارهای برنامههای کودا ممکن است باعث شوند که اجرای برنامهها روی پردازنده گرافیکی مقرون به صرفه نباشند. پیشبینی کارآیی به برنامهنویس کمک میکند تا تنظیم برنامهها را آگاهانهتر انجام دهند و به جای آزمون و خطا، نقطه بهینه تنظیم را دقیقتر پیدا کند. وجود یک مدل که بتواند کارآیی را پیشبینی کند، میتواند به برنامهنویسان در تنظیم دستی و به توسعهدهندگان کامپایلرهای مبدا به مبدا در تنظیم خودکار برنامههای کودا کمک کند. در این مقاله، ما یک مدل کارآیی برای پیشبینی زمان اجرای یک کرنل کودا ارائه کردهایم. در این مدل، ابتدا با استفاده از پروفایلینگ و با استفاده از تحلیل ایستای کدهای کودا و PTX، دو مجموعه داده برای زمان اجرای کرنلهای محاسبهگرا و حافظهگرا ایجاد شده است. سپس با استفاده از روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان، و ماشین یادگیری افراطی، زمان اجرای کرنل کودا پیشبینی شده است. نتایج آزمایشگاهی نشان میدهند که روش ماشین یادگیری افراطی میتواند زمان اجرای یک کرنل محاسبهگرا را با حداکثر خطای 3.42 درصد و زمان اجرای یک کرنل حافظهگرا را با حداکثر خطای 9.84 درصد پیشبینی کند. برای اعتبارسنجی بهتر نتایج از روش اعتبارسنجی متقاطع استفاده شده است. همچنین با استفاده از روشهای انتخاب ویژگی، میزان تاثیر هر یک از ویژگیهای ورودی روی زمان اجرای کرنل مشخص شده است.
