Automated level-based clustering of dataflow actors for controlled scheduling complexity
Regroupement automatisé, basé sur le niveau, des acteurs du flux de données pour une complexité d'ordonnancement contrôlée
Résumé
Dataflow Models of Computation (MoCs) significantly enhance parallel computing by efficiently expressing application parallelism on multicore architectures, unlocking greater performance and throughput. However, the complexity of graphs within dataflow-based systems can result in a time-consuming resource allocation process. To address this issue, a solution is to cluster computations to ease heuristic solving. The information encompassing the context of computations and the constraints of the architecture plays a crucial role in determining application performance. This paper presents an automated approach that leverages this information to control graph complexity prior to the resource allocation process. Experiments demonstrate that the proposed method, driven by clustering, not only yields improved throughput but also provides better mapping decisions and data transfer efficiency, achieving a throughput up to 1.8 times higher than state-of-the-art techniques.
Les modèles de calcul par flux de données (MoC) améliorent considérablement l'informatique parallèle en exprimant efficacement le parallélisme des applications sur les architectures multicœurs, ce qui permet d'améliorer les performances et le débit. Cependant, la complexité des graphes dans les systèmes basés sur le flux de données peut entraîner un processus d'allocation des ressources qui prend du temps. Pour résoudre ce problème, une solution consiste à regrouper les calculs afin de faciliter la résolution heuristique. Les informations relatives au contexte des calculs et aux contraintes de l'architecture jouent un rôle crucial dans la détermination des performances de l'application. Cet article présente une approche automatisée qui exploite ces informations pour contrôler la complexité des graphes avant le processus d'allocation des ressources. Les expériences démontrent que la méthode proposée, basée sur le regroupement, permet non seulement d'améliorer le débit, mais aussi de prendre de meilleures décisions en matière de mappage et d'améliorer l'efficacité du transfert de données, avec un débit jusqu'à 1,8 fois supérieur à celui des techniques de pointe.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|