多核与异构系统性能调优策略

### 多核与异构系统性能调优策略 在当今的计算领域，多核架构和异构多核心系统的应用越来越广泛，但如何对这些系统进行性能优化，仍然是一个具有挑战性的问题。本文将介绍两种不同的性能调优策略，分别是针对GMRES(m)重启频率的智能调优策略，以及用于异构多核心系统组件优化组合的自适应离线调优策略。 #### GMRES(m)重启频率的智能调优策略 在处理线性系统求解问题时，GMRES(m)方法是一种常用的迭代算法。而重启频率的选择对于算法的性能有着重要的影响。传统的增加和减少策略在设置重启频率时，往往缺乏有效的指导，导致性能提升有限。 提出的缓存大小策略对于自动调优（AT）在增加和减少策略中都起着至关重要的作用。在没有缓存信息的情况下，很难实现一个良好的减少策略，因为通常很难设置一个合适的最大重启频率。而使用缓存大小策略，可以在不增加额外成本的情况下设置最大值。实验结果表明，在平均加速比方面，减少策略比增加策略更快。 通过在T2K开放超级计算机的一个节点上进行性能调优，使用AMD四核皓龙（16核）处理器，发现提出的AT策略与没有分层缓存大小的原始策略相比非常高效。对来自佛罗里达大学稀疏矩阵集合的22个矩阵进行评估，增加方法（Xabclib的实现）平均加速比为1.13倍，减少方法（Aquilanti的方法）平均加速比为4.25倍。 传统减少策略的一个缺点是难以确定最佳的最大重启频率。如果指定的值太大，算法运行时间会很长；如果指定的值太小，算法可能根本无法收敛。而基于缓存大小信息选择合适的最大重启频率，使减少策略的性能提高了15倍。 在平均加速比方面，如果最大频率设置得当，减少策略优于增加策略。分层缓存信息是设置合适最大频率的关键因素。 |策略|平均加速比| | ---- | ---- | |增加方法（Xabclib实现）|1.13倍| |减少方法（Aquilanti方法）|4.25倍| #### 异构多核心系统组件优化组合的自适应离线调优策略 近年来，异构多核心系统受到了广泛关注，但在这些平台上进行性能优化仍然是一个巨大的挑战。编译器进行的优化往往由于缺乏动态信息和运行时环境而受到限制，导致应用程序的性能可移植性较差。 为了解决这个问题，提出了一种自适应离线调优策略。该策略通过提供同一接口的多个实现，根据调用上下文进行互换使用，并将组合选择暴露给编译器、部署时组合工具和/或运行时系统。使用离线机器学习技术可以提高运行时组合的精度，减少运行时开销，并提高性能可移植性。 PEPPHER组件模型提供了一种基于XML的元数据语言，用于指定描述符，外部注释PEPPHER组件和接口。组件是一个遵循PEPPHER接口的注释软件模块，可能有多个实现变体。组件元数据包括实现的接口、依赖关系、编译命令、可调参数、平台和资源要求，以及可能的静态性能模型。 为了更好地利用不同类型的处理单元，需要一个合理的性能模型来预测给定上下文实例下最快的实现变体。构建性能模型的两种趋势是分析模型和经验模型。由于现代计算机系统过于复杂，经验模型从目标系统上的测试代码测量中构建，变得更加实用。机器学习技术在构建经验模型方面显示出潜力。 经验自动性能调优可以在线或离线进行。在线学习在运行时进行，需要一定数量的代表性执行才能提供可接