Dissertação

{pt_PT=A recommendation system approach to the tuning of Transactional Memory} {} EVALUATED

{pt=Memória Transacional (MT) é uma abordagem bastante promissora que simplifica drasticamente a computação paralela. Contudo, mesmo considerando o vasto espectro de implementações de MT disponíveis, não existe uma solução que seja claramente superior a todas as outras em diferentes cargas de trabalho. Ao longo dos últimos anos, este fato suscitou bastante interesse em investigar soluções auto-ajustáveis destinadas a adaptar de uma forma transparente a escolha e a configuração de um sistema de MT em execução. O foco desta dissertação centra-se em melhorar uma solução recente, presente no estado da arte na área de MT auto-ajustável, nomeadamente ProteusTM. ProteusTM é uma solução baseada em sistemas de recomendação e em técnicas de análise bayesianas, com o objectivo de ajustar automaticamente um sistema de MT tendo em conta um espaço de configurações multidimensional - uma característica única na literatura de soluções auto-ajustáveis aplicadas a MT. Em particular, esta dissertação investiga duas questões-chave: i) como estender a solução ProteusTM para suportar um conjunto de dados esparsos na fase de aprendizagem ii) até que ponto a inclusão de novas características referentes às cargas de trabalho (por exemplo, taxa de abortamento) aumenta a precisão alcançada pelo ProteusTM., en=Transactional Memory (TM) is a promising approach that simplifies parallel programming. However, in the broad spectrum of available TM implementations, there exists no one size fits all solution that can provide optimal performance across all possible workloads. This has motivated an intense research, over the last years, on the design of self-tuning solutions aimed at transparently adapting the choice and configuration of the TM run-time system. This dissertation focuses on advancing a recent, state of the art solution in the area of TM self-tuning, called ProteusTM. ProteusTM builds on recommendation system and Bayesian analysis techniques in order to automate the tuning process of a TM system over a multi-dimensional configuration space — a unique feature in the literature on TM self-tuning. In particular, this dissertation investigates two key research questions: i) how to extend ProteusTM to support sparse training sets, and ii) to what extent can the inclusion of workload characteristics (e.g., abort rate) enhance the accuracy achieved by ProteusTM’s.}
{pt=computação paralela, memória transacional, auto-ajustamento, ProteusTM, sistemas de recomendação, en=parallel programming, transactional memory, self-tuning, ProteusTM, Machine Learning, recommender systems}

Junho 5, 2017, 14:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Paolo Romano

Departamento de Engenharia Informática (DEI)

Professor Associado