解析代价度量：未来过往之日
性能
2018-02-07 v1 编程语言
摘要
随着我们迈向百亿亿次（exascale）时代，新架构必须能够高效运行海量计算问题。科学家与研究人员持续投入以调优极致规模计算问题的性能。这类问题几乎出现在计算的所有领域，从大数据分析、人工智能、搜索、机器学习、虚拟/增强现实、计算机视觉、图像/信号处理，到计算科学与生物信息学。随着摩尔定律推动硬件平台向百亿亿次演进，主导的性能度量（时间效率）现已扩展为同时涵盖功耗/能量效率。因此，我们在计算系统研究中面临的主要挑战是：“如何以最省时间/功耗/能量的方式解决大规模计算问题？”架构在不断演化，使得当前的性能优化策略适用性下降，亟需发明新策略。其解决之道在于新架构、新编程模型与应用协同推进。然而，做到这一点极其困难。在过多维度上存在过多设计选择。我们提出如下策略以解决该问题：(i) 模型——建立准确的解析模型（如执行时间、能量、硅面积）以预测给定程序的执行代价；(ii) 完整系统设计——同时优化针对程序（计算问题）的所有代价模型，以获得最省时间/面积/功耗/能量的解。此类优化问题引出了协同设计（codesign）的概念。
引用
@article{arxiv.1802.01957,
title = {Analytical Cost Metrics : Days of Future Past},
author = {Nirmal Prajapati and Sanjay Rajopadhye and Hristo Djidjev},
journal= {arXiv preprint arXiv:1802.01957},
year = {2018}
}