使用MuMMI与十种机器学习方法进行性能与功耗建模及预测
机器学习
2020-11-16 v1 性能
摘要
本文中，我们使用建模与预测工具MuMMI（Multiple Metrics Modeling Infrastructure）和十种机器学习方法对性能与功耗进行建模和预测，并比较它们的预测错误率。我们使用容错线性代数代码和容错热分布代码，在Argonne国家实验室的Cray XC40 Theta和IBM BG/Q Mira以及Sandia国家实验室的Intel Haswell集群Shepard上进行建模与预测研究。我们的实验结果表明，在大多数情况下，使用MuMMI的性能与功耗预测错误率小于10%。基于运行时、节点功耗、CPU功耗和内存功耗的模型，我们识别出与应用程序特性和目标架构相关的、可用于潜在优化的最重要性能计数器，并预测了潜在优化的理论结果。当我们将MuMMI与10种机器学习方法的预测精度进行比较时，观察到MuMMI不仅在性能与功耗上预测更精确，还展示了性能计数器如何影响性能与功耗模型。这为如何微调应用程序和/或系统以实现能效提供了一些见解。
引用
@article{arxiv.2011.06655,
title = {Performance and Power Modeling and Prediction Using MuMMI and Ten Machine Learning Methods},
author = {Xingfu Wu and Valerie Taylor and Zhiling Lan},
journal= {arXiv preprint arXiv:2011.06655},
year = {2020}
}
备注
to be published in Cray User Group Conference 2020