Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання

Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання

Автотюнінг для складних і нетривіальних програмних систем зазвичай вимагає багато часу внаслідок емпіричного оцінювання великої множини варіантів значень параметрів вхідної паралельної програми у цільовому середовищі виконання. У даній роботі запропоноване вдосконалення методу автотюнінгу на основі...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Проблеми програмування
Datum:2018
Hauptverfasser: Дорошенко, А.Ю., Іваненко, П.А., Новак, О.C., Яценко, О.А.
Format: Artikel
Sprache:Ukrainian
Veröffentlicht: Інститут програмних систем НАН України 2018
Schlagworte:
Паралельне програмування. Розподілені системи і мережі
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/144581
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання / А.Ю. Дорошенко, П.А. Іваненко, О.C. Новак, О.А. Яценко // Проблеми програмування. — 2018. — № 2-3. — С. 46-53. — Бібліогр.: 21 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-144581
record_format dspace
spelling Дорошенко, А.Ю.
Іваненко, П.А.
Новак, О.C.
Яценко, О.А.
2018-12-30T16:44:49Z
2018-12-30T16:44:49Z
2018
Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання / А.Ю. Дорошенко, П.А. Іваненко, О.C. Новак, О.А. Яценко // Проблеми програмування. — 2018. — № 2-3. — С. 46-53. — Бібліогр.: 21 назв. — укр.
1727-4907
https://nasplib.isofts.kiev.ua/handle/123456789/144581
004.4'24
Автотюнінг для складних і нетривіальних програмних систем зазвичай вимагає багато часу внаслідок емпіричного оцінювання великої множини варіантів значень параметрів вхідної паралельної програми у цільовому середовищі виконання. У даній роботі запропоноване вдосконалення методу автотюнінгу на основі використання статистичного моделювання та нейромережевих алгоритмів, що дозволяє суттєво звузити простір можливих значень параметрів, що аналізуються. Застосування підходу продемонстроване на прикладі автотюнінгу паралельної програми сортування, яка комбінує декілька методів сортування, на основі автоматичного навчання нейромережевої моделі на результатах “традиційних” циклів тюнінгу з подальшою заміною частини запусків автотюнера оцінкою зі статистичної моделі.
Автотюнинг для сложных и нетривиальных программных систем обычно требует много времени вследствие эмпирического оценивания большого множества вариантов значений параметров входной параллельной программы в целевой среде выполнения. В данной работе предложено усовершенствование метода автотюнинга на основе использования статистического моделирования и нейросетевых алгоритмов, что позволяет существенно сузить пространство возможных значений параметров, которые анализируются. Применение подхода продемонстрировано на примере автотюнинга параллельной программы сортировки, комбинирующей несколько методов сортировки, на основе автоматического обучения нейросетевой модели на результатах “традиционных” циклов тюнинга с дальнейшей заменой части запусков автотюнера на оценку из статистической модели.
Auto-tuning for complex and nontrivial parallel systems is usually time-consuming because of empirical evaluation of huge amount of combinations of parameter values of an initial parallel program in a target execution environment. This paper proposes the improvement of the auto-tuning method using statistical modeling and neural network algorithms that allow to reduce significantly the space of possible combinations of parameters values to analyse. The resulting optimization is illustrated by an example of tuning of parallel sorting program, that combines several sorting methods, by means of automatic training of a neural network model on results of “traditional” tuning cycles with subsequent replacement of some auto-tuner calls with an evaluation from the statistical model.
uk
Інститут програмних систем НАН України
Проблеми програмування
Паралельне програмування. Розподілені системи і мережі
Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
Parallel software auto-tuning using statistical modeling and machine learning
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
spellingShingle Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
Дорошенко, А.Ю.
Іваненко, П.А.
Новак, О.C.
Яценко, О.А.
Паралельне програмування. Розподілені системи і мережі
title_short Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
title_full Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
title_fullStr Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
title_full_unstemmed Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
title_sort автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання
author Дорошенко, А.Ю.
Іваненко, П.А.
Новак, О.C.
Яценко, О.А.
author_facet Дорошенко, А.Ю.
Іваненко, П.А.
Новак, О.C.
Яценко, О.А.
topic Паралельне програмування. Розподілені системи і мережі
topic_facet Паралельне програмування. Розподілені системи і мережі
publishDate 2018
language Ukrainian
container_title Проблеми програмування
publisher Інститут програмних систем НАН України
format Article
title_alt Parallel software auto-tuning using statistical modeling and machine learning
description Автотюнінг для складних і нетривіальних програмних систем зазвичай вимагає багато часу внаслідок емпіричного оцінювання великої множини варіантів значень параметрів вхідної паралельної програми у цільовому середовищі виконання. У даній роботі запропоноване вдосконалення методу автотюнінгу на основі використання статистичного моделювання та нейромережевих алгоритмів, що дозволяє суттєво звузити простір можливих значень параметрів, що аналізуються. Застосування підходу продемонстроване на прикладі автотюнінгу паралельної програми сортування, яка комбінує декілька методів сортування, на основі автоматичного навчання нейромережевої моделі на результатах “традиційних” циклів тюнінгу з подальшою заміною частини запусків автотюнера оцінкою зі статистичної моделі. Автотюнинг для сложных и нетривиальных программных систем обычно требует много времени вследствие эмпирического оценивания большого множества вариантов значений параметров входной параллельной программы в целевой среде выполнения. В данной работе предложено усовершенствование метода автотюнинга на основе использования статистического моделирования и нейросетевых алгоритмов, что позволяет существенно сузить пространство возможных значений параметров, которые анализируются. Применение подхода продемонстрировано на примере автотюнинга параллельной программы сортировки, комбинирующей несколько методов сортировки, на основе автоматического обучения нейросетевой модели на результатах “традиционных” циклов тюнинга с дальнейшей заменой части запусков автотюнера на оценку из статистической модели. Auto-tuning for complex and nontrivial parallel systems is usually time-consuming because of empirical evaluation of huge amount of combinations of parameter values of an initial parallel program in a target execution environment. This paper proposes the improvement of the auto-tuning method using statistical modeling and neural network algorithms that allow to reduce significantly the space of possible combinations of parameters values to analyse. The resulting optimization is illustrated by an example of tuning of parallel sorting program, that combines several sorting methods, by means of automatic training of a neural network model on results of “traditional” tuning cycles with subsequent replacement of some auto-tuner calls with an evaluation from the statistical model.
issn 1727-4907
url https://nasplib.isofts.kiev.ua/handle/123456789/144581
citation_txt Автотюнінг паралельних програм із використанням статистичного моделювання та машинного навчання / А.Ю. Дорошенко, П.А. Іваненко, О.C. Новак, О.А. Яценко // Проблеми програмування. — 2018. — № 2-3. — С. 46-53. — Бібліогр.: 21 назв. — укр.
work_keys_str_mv AT dorošenkoaû avtotûníngparalelʹnihprogramízvikoristannâmstatističnogomodelûvannâtamašinnogonavčannâ
AT ívanenkopa avtotûníngparalelʹnihprogramízvikoristannâmstatističnogomodelûvannâtamašinnogonavčannâ
AT novakoc avtotûníngparalelʹnihprogramízvikoristannâmstatističnogomodelûvannâtamašinnogonavčannâ
AT âcenkooa avtotûníngparalelʹnihprogramízvikoristannâmstatističnogomodelûvannâtamašinnogonavčannâ
AT dorošenkoaû parallelsoftwareautotuningusingstatisticalmodelingandmachinelearning
AT ívanenkopa parallelsoftwareautotuningusingstatisticalmodelingandmachinelearning
AT novakoc parallelsoftwareautotuningusingstatisticalmodelingandmachinelearning
AT âcenkooa parallelsoftwareautotuningusingstatisticalmodelingandmachinelearning
first_indexed 2025-12-07T19:16:06Z
last_indexed 2025-12-07T19:16:06Z
_version_ 1850878162430328832

Ähnliche Einträge