基于启发式的高性能计算轨迹合并以扩展硬件计数器覆盖范围
性能
2026-05-18 v1 机器学习
摘要
本文扩展了一个利用机器学习（ML）预测高性能计算（HPC）工作负载性能的框架。性能建模中的一个常见限制是能够同时采集的硬件计数器数量有限。为了解决这个问题，我们提出了一种基于启发式的方法，将来自多次运行的执行轨迹合并，每次运行配置了不同的硬件计数器集。我们的方法通过分析MPI结构、时序和通信模式来匹配不同执行间的计算脉冲。这一过程能够构建一个包含更广泛硬件特征集的统一数据集，而无需依赖多路复用。输出是一个包含所有合并计数器的新合成轨迹，可用于HPC性能预测和常规性能分析。该方法已在MareNostrum5机器上使用一系列内核和真实应用进行了验证。结果表明，合并后的计数器根据应用的不同保持了可接受的精度，并且可以直接用于在更丰富的特征空间上训练机器学习模型，而无需事先进行计数器选择。
引用
@article{arxiv.2605.15832,
title = {Heuristic-Based Merging of HPC Traces to Extend Hardware Counter Coverage},
author = {Júlia Orteu Aubach and Fabio Banchelli and Marc Clascà Ramírez and Marta Garcia-Gasulla},
journal= {arXiv preprint arXiv:2605.15832},
year = {2026}
}