عنوان پایان‌نامه
ارائه یک مدل سطح بالای معماری برای پردازنده های گرافیکی به منظور کاوش سریع فضای طراحی
- رشته تحصیلی
- مهندسی کامپیوتر-معماری کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2939;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74848
- تاریخ دفاع
- ۱۱ شهریور ۱۳۹۴
- دانشجو
- مسلم محمودی
- استاد راهنما
- سیدامید فاطمی
- چکیده
- واحد پردازش گرافیکی (GPU) جزء بخش‌های اصلی سیستم‌های کامپیوتری امروزی قرارگرفته است. قابلیت اجرایی تا بیش از 1TLFOPs آن را از لحاظ کارایی قابل مقایسه با ابرکامپیوترها کرده است. پردازنده‌های گرافیکی امروزی فقط یک موتور گرافیکی قدرتمند نیستند بلکه به‌عنوان یک پردازنده قابل‌برنامه‌ریزی بسیار موازی، دارای پهنای باند بالای حافظه و اجرای محاسبات به‌صورت موازی استفاده میشوند. اساساً قدرت بالای اجرا و قابلیت برنامه‌ریزی موجب شده GPU از CPU موجود در نقطه مقابل که با آن همکاری می‌کند پیشی بگیرد. پردازنده ای با این قابلیت ها دارای ویژگی‌های سخت‌افزاری متعددی است. انتخاب ویژگی‌های معماری و ریز معماری مناسب برای یک یا مجموعه‌ای از برنامه ها نیازمند مهارت و دانش برای جستجوی سریع فضای طراحی است. روش‌های سنتی مانند شبیه‌سازی برای جستجوی فضای طراحی نیازمند زمان بسیار زیادی برای مشخص کردن رفتار برنامه بر روی یک پردازنده گرافیکی بودند. راهکاری که در این پروژه ارائه می‌دهیم ایجاد یک مدل ریاضی برای تعیین کارایی این پردازنده است. در این مدل پارامترهای ورودی شامل ویژگی‌های سخت‌افزاری و همچنین چندین ویژگی منحصربه‌فرد از کاربردی که قرار است بر روی آن اجرا شود است. خروجی این تحقیق یک درخت تصمیم خواهد بود. برگ‌های این درخت معادلاتی برای نشان دادن کارایی پردازنده گرافیکی و گره های درخت شرایط رسیدن به این معادلات است. نتایج نشان می‌دهد که مدل ارائه شده در این تحقیق کارایی پردازنده گرافیکی را هزاران بار سریع‌تر از روش‌های سنتی با خطای قابل‌چشم‌پوشی حساب می‌کند. کلمات کلیدی: معماری پردازنده گرافیکی، مدل‌سازی، تخمین کارایی، درخت تصمیم‌گیری
- Abstract
- GPUs have a significant role in the area of high performance computing due to their heterogeneity, massive parallelism and high memory bandwidth. These processors are widely used for executing various symmetric and heterogeneous benchmarks and have several system-level and microarchitecture-level hardware parameters. So the designers need a fast and accurate model for estimating the performance of GPU in the design time. The model should be built based on processor parameters and also a number of parameters from benchmark inherent behavior. This empirical model can be used for exploring the design space of GPU and discovering proper configuration based on performance constraints. This research proposes an accurate empirical model for predicting and then exploring the performance of graphic processing unit using various decision tree-based techniques. The results of validations show that M5P and Rep Tree are the most appropriate methods for this purpose. Keywords: GPU Architecture, Performance Estimation, Empirical Modeling, Decision Tree, Model Tree
