Optimización de rendimiento, justicia y consumo energético en sistemas multicore asimétricos mediante planificación

Título:

Optimización de rendimiento, justicia y consumo energético en sistemas multicore asimétricos mediante planificación

Autor:

Pousa, Adrián

Otros autores / Colaboradores:

 De Giusti, Armando Eduardo; [ Director/a]  Sáez Alcaide, Juan Carlos; [ Director/a] 

Temas:

PROCESADORES MULTICORE ASIMÉTRICOS; OPTIMIZACIÓN; 

URL:

https://doi.org/10.35537/10915/62960,

Nota de tesis:

Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2017.

Extensión:

1 archivo (3,0 MB) : il. col.

Resumen:

Los procesadores multicore asimétricos o AMPs (AsymmetricMulticore Processors) constituyen una alternativa de bajo consumo energético a los procesadores multicore convencionales, que están formados por cores idénticos. Los AMPs integran cores rápidos y complejos de alto rendimiento, y cores más simples de bajo consumo, que ofrecen menores prestaciones. Investigaciones previas han demostrado que los AMPs ofrecen numerosos beneficios frente a los multicores convencionales, pero también plantean importantes desafíos para el software de sistema. Gran parte de las optimizaciones del software de sistema propuestas para AMPs se han realizado a nivel de sistema operativo (SO), principalmente mediante la inclusión de algoritmos de planificación conscientes de la asimetría en la plataforma. Una ventaja de esta aproximación es el hecho de que las aplicaciones no requieren modificaciones para explotar de forma efectiva los beneficios de los AMPs. La mayor parte de los algoritmos de planificación existentes para AMPs intentan optimizar el rendimiento global. Sin embargo, estos algoritmos degradan otros aspectos críticos como la justicia o la eficiencia energética de la plataforma. Además, dada su naturaleza, resulta complejo extender estas estrategias para soportar prioridades de usuario. El principal objetivo de esta tesis doctoral es superar estas limitaciones, mediante el diseño de estrategias de planificación más flexibles para AMPs. Asimismo, en esta tesis realizamos diversos estudios que muestran el impacto que la optimización de una métrica tiene en otras. Para mejorar el rendimiento global, la justicia o la eficiencia energética en AMPs, el planificador debe tener en cuenta el beneficio que cada aplicación alcanza al usar los distintos tipos de cores en un AMP. Se ha demostrado que no todos los hilos en ejecución de una carga de trabajo obtienen siempre el mismo beneficio relativo (speedup factor – SF) al usar un core de alto rendimiento frente a uno de bajo consumo. Tener en cuenta esta diversidad de SFs a la hora de distribuir los cores entre aplicaciones es clave para optimizar los distintos objetivos. Para esto, el SO debe determinar de forma efectiva elSF de cada hilo en tiempo de ejecución. Para hacer frente a este desafío, en esta tesis proponemos una metodología general para construir modelos de estimación de SF precisos basados en el uso de contadores hardware. La mayoría de los algoritmos de planificación existentes para AMPs, han sido evaluados empleando simuladores o plataformas asimétricas emuladas. Muchas de estas estrategias se han evaluado utilizando prototipos de planificadores en modo usuario. Por el contrario, en esta tesis doctoral, evaluamos los algoritmos propuestos en un entorno más realista: empleando implementaciones de los algoritmos en el kernel de SOs reales (OpenSolaris y GNU/Linux) y sobre hardwaremulticore asimétrico real.

Puede solicitar más fácilmente el ejemplar con: TES 17/70

1. Introducción 
1.1. Motivación
1.2. Objetivos y principales desafíos 
1.3. Contribuciones de la tesis 
1.4. Organización de la tesis

 2. Entorno experimental
2.1. Hardware asimétrico 
2.2. Framework de planificación para multicores asimétricos 
2.2.1. El planificador de OpenSolaris 
2.2.1.1. OpenSolaris y soporte AMP 
2.2.2. El planificador de Linux 
2.2.2.1. Las clases de planificación 
2.2.2.2. Run queues 
2.2.2.3. Representación de procesos en Linux
2.2.2.4. Core scheduler 
2.2.2.5. La clase de planificación CFS 
2.2.2.6. Linux y soporte AMP
2.2.3. Módulos cargables del kernel
2.2.4. Interacción con contadores hardware 
2.2.5. Interacción con módulos de estimación
2.2.6. Interacción con runtime systems
2.3. Otras herramientas 
2.3.1. Herramientas de depuración
2.3.2. Herramientas para escenarios de prueba 
2.4. Resumen del capítulo y conclusiones

 3. Métricas del planificador y trabajo relacionado 
3.1. Métricas del planificador 
3.1.1. Rendimiento global 
3.1.2. Justicia 
3.1.3. Eficiencia energética 
3.2. Trabajo relacionado
3.2.1. Optimización del rendimiento
3.2.1.1. Técnicas para determinar el SF en tiempo de ejecución 
3.2.1.2. Soporte para aplicaciones multi-hilo 
3.2.2. Justicia y soporte a prioridades 
3.2.3. Optimizando la eficiencia energética
3.3. Resumen del capítulo y conclusiones

 4. Mejorando el compromiso rendimiento-justicia 
4.1. El algoritmo de planificación Prop-SP 
4.1.1. Asignación de créditos de cores rápidos 
4.1.2. Intercambio de hilos entre cores
4.2. Soporte para aplicaciones multi-hilo en Prop-SP 
4.2.1. Efectividad de las distintas estrategias de distribución de créditos 
4.2.2. Determinando el speedup de las aplicaciones en tiempo de ejecución
4.3. Otros algoritmos analizados en este capítulo 
4.4. Evaluación experimental
4.4.1. Aplicaciones con la misma prioridad 
4.4.1.1. Escenario de aplicaciones secuenciales y multi-hilo 
4.4.1.2. Escenario de aplicaciones secuenciales
4.4.2. Aplicaciones con prioridades diferentes
4.5. Resumen del capítulo y conclusiones 

 5. Modelo analítico de rendimiento-justicia 
5.1. Derivación de las fórmulas analíticas para aggregate speedup y unfairness 
5.2. Óptimos de rendimiento y justicia
5.3. Resumen del capítulo y conclusiones 

 6. Algoritmo de planificación ACFS 
6.1. Diseño del planificador ACFS
6.1.1. Seguimiento del progreso y asignación inicial de hilos a cores 
6.1.2. Caso de estudio 
6.1.3. Garantizando justicia mediante el intercambio de hilos 
6.1.4. Compromiso rendimiento-justicia 
6.2. Soporte para aplicaciones multi-hilo en ACFS 
6.3. Determinando el speedup factor en tiempo de ejecución
6.3.1. Plataforma experimental
6.3.2. Generando modelos de estimación de speedup factor offline 
6.3.3. Implementación: utilizando los modelos de estimación de speedup factor en tiempo de ejecución 
6.4. Evaluación experimental 
6.4.1. Aplicaciones con la misma prioridad 
6.4.1.1. Cargas de trabajo compuestas por aplicaciones secuenciales 
6.4.1.2. Cargas de trabajo compuestas por aplicaciones secuenciales y multi-hilo 
6.4.1.3. Resultados generales 
6.4.2. Aplicaciones con distintas prioridades 
6.4.3. Compromiso rendimiento-justicia en ACFS
6.5. Impacto de la frecuencia de intercambio de hilos en el rendimiento global y justicia 
6.6. Resumen del capítulo y conclusiones 

 7. Mejorando la eficiencia energética en AMPs 
7.1. Modelo analítico de rendimiento, justicia y eficiencia energética 
7.1.1. Cargas de trabajo 
7.1.2. Fórmulas analíticas 
7.1.3. Algoritmos de planificación analizados 
7.1.4. Análisis de los resultados 
7.2. Diseño de los algoritmos propuestos 
7.2.1. El planificador EEF-Driven 
7.2.2. Determinando el EEF en tiempo de ejecución 
7.2.3. El planificador ACFS-E
7.3. Evaluación experimental 
7.3.1. Evaluación del algoritmo EEF-Driven
7.3.1.1. Selección de cargas de trabajo 
7.3.1.2. Análisis de los resultados
7.3.2. Efectividad de ACFS-E 
7.4. Resumen del capítulo y conclusiones 

 8. Conclusiones y trabajo futuro 
8.1. Líneas de trabajo futuro

 A. Aproximación del speedup de aplicaciones
A.1. Speedup de aplicaciones multihilo bajo Even y AID
A.1.1. Speedup bajo Even
A.1.2. Speedup bajo AID
A.2. Speedup de aplicaciones multihilo ejecutadas bajo BusyFC

 B. Detección de fases de SF mediante umbralización 

Bibliografía