扩展阿姆达尔定律以学习计算机性能
机器学习
2022-09-28 v2 分布式、并行与集群计算
摘要
在多核处理器背景下研究了学习并行计算机性能的问题。给定一个固定的工作负载，寻求改变系统配置对性能的影响。传统上，由于单一资源增强带来的性能加速比使用阿姆达尔定律来表述。然而，在存在多个可配置资源的情况下，传统表述会产生几个互不关联的加速比方程，无法组合在一起以确定总体加速比。为解决这个问题，我们提出：(1) 扩展阿姆达尔定律，将多个可配置资源纳入总体加速比方程；(2) 将加速比方程转化为适合机器学习的多变量回归问题。使用来自跨越两个基准测试（SPECCPU 2017 和 PCMark 10）和四个硬件平台（Intel Xeon 8180M、AMD EPYC 7702P、Intel CoffeeLake 8700K 和 AMD Ryzen 3900X）的 58 次测试的实验数据，开发并交叉验证了解析模型。研究结果表明，在大多数情况下，模型的平均交叉验证准确率高于 95%，从而验证了所提出的阿姆达尔定律扩展。所提出的方法能够快速生成多变量解析模型，以支持未来的工业开发、优化和仿真需求。
引用
@article{arxiv.2110.07822,
title = {On Extending Amdahl's law to Learn Computer Performance},
author = {Chaitanya Poolla and Rahul Saxena},
journal= {arXiv preprint arXiv:2110.07822},
year = {2022}
}
备注
23 pages, 6 figures