Dissertação

Multi-dimensional Self-tuning in Transactional Memory EVALUATED

Memória Transacional é uma poderosa abstração que promete simplificar drasticamente a computação paralela. Contudo, a eficiência das existentes implementações de MT são fortemente afetadas pelas características das cargas de trabalho de aplicações de MT. Tal, despertou o interesse no desenho de soluções auto-ajustáveis que adaptam blocos específicos de implementações de MT. Esta dissertação primeiro providencia uma visão geral sobre o estado da arte na área de MT, analisando as implicações chave que afetam o desempenho destes sistemas. De seguida, discute-se as soluções auto-ajustáveis existentes na área de MT, destacando a limitação crítica das abordagens atuais: estas apenas suportam a adaptação dinâmica de blocos individuais de uma MT. Tal, previne as soluções existentes de procurarem configurações globalmente ótimas. Face a esta análise crítica do estado da arte, nesta tese apresento ProteusTM, a primeira MT com capacidades multi-dimensionais. O sistema engloba no seu núcleo uma vasta biblioteca de MTs do estado da arte, juntamente com módulos dedicados para: monitorizar o desempenho, adaptar-se internamente, e prever configurações ótimas. Cada uma destas configurações consiste num tuplo que pertence a um espaço com N dimensões, em que cada dimensão corresponde a um parâmetro de MT, e.g., Biblioteca de MT, grau de paralelismo. Para alcançar o desejado nível de desempenho ótimo, o módulo preditivo baseia-se numa nova técnica baseada em CollaborativeFiltering e BayesianOptimization. A extensa avaliação realizada em ProteusTM, mostrou que este tem um desempenho em média apenas 3% afastado do ótimo, e ganhos até 100% comparado com alternativas estáticas.
Computação Paralela, Auto-ajustamento, Aprendizagem Automática, Memória Transacional

Outubro 28, 2015, 16:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Paolo Romano

Departamento de Engenharia Informática (DEI)

Professor Associado