Seer：面向非规则问题的预测式运行时内核选择
分布式、并行与集群计算
2024-03-27 v1
摘要
现代 GPU 专为规则问题设计，在处理非规则数据时会遭受负载不平衡。在我们的工作之前，由领域专家选择最佳内核以将细粒度的非规则并行性映射到 GPU。我们转而提出 Seer，这是一种用于生成简单、可复现且可理解的决策树选择器模型的抽象，该模型执行非规则工作负载的运行时内核选择。为了展示我们的框架，我们在稀疏矩阵向量乘法中进行了案例研究，其中 Seer 预测了给定数据集的最佳策略，在整个 SuiteSparse Matrix Collection 数据集上比最佳单次迭代内核提升了 2。
引用
@article{arxiv.2403.17017,
title = {Seer: Predictive Runtime Kernel Selection for Irregular Problems},
author = {Ryan Swann and Muhammad Osama and Karthik Sangaiah and Jalal Mahmud},
journal= {arXiv preprint arXiv:2403.17017},
year = {2024}
}