SCAPE: HW-Aware Clustering of Dataflow Actors for Tunable Scheduling Complexity - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

SCAPE: HW-Aware Clustering of Dataflow Actors for Tunable Scheduling Complexity

SCAPE : Regroupement d’Acteurs flux de Données en Fonction de l’Architecture pour une Complexité d’Ordonnancement Contrôlée

Résumé

This paper introduces a fast method to generate high performance parallelized code from a dataflow specification of an application. Dataflow Models of Computation (MoCs) are efficient programming paradigms for expressing the parallelism of an application. Traditionally, mapping and scheduling methods for dataflow MoCs rely on complex graph transformations to explicit their parallelism which can result in complex graph for embarrassingly parallel applications. For such applications, state-of-the-art mapping and scheduling techniques are prohibitively complex, while the exposed parallelism often exceeds the parallel processing capabilities of the target architecture. We propose SCAPE, an automated method to control the complexity of the pre-scheduling graph transformation by using information from the architecture and application models. By decreasing the complexity of the graph, the mapping scheduling task is accelerated at the potential expense of the produced schedule. Our method offers a limited and controlled decrease of the schedule quality while enabling mapping and scheduling execution time between 1 and 2 orders of magnitude faster than state-of-the-art techniques.
Les modèles flux de données sont des paradigmes de programmation efficaces pour exposer le parallélisme d’une application. Traditionnellement, les méthodes de placement et d’ordonnancement pour les modèles flux de données reposent sur des transformations complexes de graphes pour exposer tout le parallélisme potentiel d’une application, ce qui peut donner lieu à des graphes complexes pour des applications hautement parallèles. La complexité des algorithmes de placement et d’ordonnancement sur ces graphes complexes est prohibitive, alors que le parallélisme exposé dépasse souvent le parallélisme potentiel de l’architecture cible. Nous proposons dans cet article la méthode automatique SCAPE pour contrôler la complexité de la transformation du graphe de pré-ordonnancement en utilisant des informations provenant des modèles d’architecture et d’application. En diminuant la complexité de ce graphe, les algorithmes de placement et d’ordonnancement sont accélérés au détriment potentiel de l’ordonnancement produit. La méthode SCAPE permet de contrôler la taille du graphe de pré-ordonnancement pour trouver le compromis optimal entre rapidité et qualité du placement-ordonnancement. La méthode SCAPE accélère les algorithmes de placement et de l’ordonnancement de l’état de l’art d’un facteur pouvant aller jusqu’à 2 ordres de grandeur
Fichier principal
Vignette du fichier
DASIP__Architecture_aware_Clustering_of_Dataflow_Actors_for_Controlled_Scheduling_Complexity.pdf (685.35 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : Domaine public

Dates et versions

hal-04089941 , version 1 (05-05-2023)

Identifiants

Citer

Ophélie Renaud, Dylan Gageot, Karol Desnos, Jean-François Nezan. SCAPE: HW-Aware Clustering of Dataflow Actors for Tunable Scheduling Complexity. DASIP 2023 - Workshop on Design and Architectures for Signal and Image Processing, HiPEAC, Jan 2023, Toulouse, France. pp.3-14, ⟨10.1007/978-3-031-29970-4_1⟩. ⟨hal-04089941⟩
52 Consultations
37 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More