异构内存上基于图的应用对象的学习排序
机器学习
2022-11-07 v1
摘要
持久内存（PMEM），又称非易失性内存（NVM），与DRAM相比可提供更高的密度和更低的每比特成本。其主要缺点是通常比DRAM慢。另一方面，DRAM因其成本和能耗而存在可扩展性问题。不久后，PMEM很可能与DRAM在计算机系统中共存，但最大的挑战在于知道将哪些数据分配到每种类型的内存上。本文描述了一种利用英特尔傲腾DC持久内存来识别并刻画对应用性能影响最大的应用对象的方法。在我们工作的第一部分，我们构建了一个工具来自动化应用对象的剖析与分析。在第二部分，我们构建了一个机器学习模型来预测大规模基于图的应用中最关键的对象。我们的结果表明，与使用精心挑选的特征集相比，使用孤立特征不能带来同等收益。通过使用我们的预测模型进行数据放置，与基于LLC缺失指示器的基线方法相比，我们能将执行时间退化降低12%（平均）和30%（最大）。
引用
@article{arxiv.2211.02195,
title = {Learning to Rank Graph-based Application Objects on Heterogeneous Memories},
author = {Diego Moura and Vinicius Petrucci and Daniel Mosse},
journal= {arXiv preprint arXiv:2211.02195},
year = {2022}
}