- -

DeepP: Deep Learning Multi-Program Prefetch Configuration for the IBM POWER 8

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

DeepP: Deep Learning Multi-Program Prefetch Configuration for the IBM POWER 8

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Lurbe-Sempere, Manel es_ES
dc.contributor.author Feliu-Pérez, Josué es_ES
dc.contributor.author Petit Martí, Salvador Vicente es_ES
dc.contributor.author Gómez Requena, María Engracia es_ES
dc.contributor.author Sahuquillo Borrás, Julio es_ES
dc.date.accessioned 2023-06-19T18:01:07Z
dc.date.available 2023-06-19T18:01:07Z
dc.date.issued 2022-10-01 es_ES
dc.identifier.issn 0018-9340 es_ES
dc.identifier.uri http://hdl.handle.net/10251/194384
dc.description.abstract [EN] Current multi-core processors implement sophisticated hardware prefetchers, that can be configured by application (PID),to improve the system performance. When running multiple applications, each application can present different prefetch requirements,hence different configurations can be used. Setting the optimal prefetch configuration for each application is a complex task since itdoes not only depend on the application characteristics but also on the interference at the shared memory resources (e.g. memorybandwidth). In his paper, we proposeDeepP, a deep learning approach for the IBM POWER8 that identifies at run-time the bestprefetch configuration for each application in a workload. To this end, the neural network predicts the performance of each applicationunder the studied prefetch configurations by using a set of performance events. The prediction accuracy of the network is improvedthanks to a dynamic training methodology that allows learning the impact of dynamic changes of the prefetch configuration onperformance. At run-time, the devised network infers the best prefetch configuration for each application and adjusts it dynamically.Experimental results show that the proposed approach improves performance, on average, by 5,8%, 6,7%, and 15,8% compared tothe default prefetch configuration across different 6-, 8-, and 10-application workloads, respectively. es_ES
dc.description.sponsorship This work was supported in part by Ministerio de Ciencia, Innovacion y Universidades and the European ERDF under Grant RTI2018-098156-B-C51, in part by Generalitat Valenciana under Grant AICO/2021/266, and in part by Ayudas Contratos predoctorales UPV -subprograma 1 (PAID-01-20). The work of Josue Feliu was supported by a Juan de la Cierva Formacion Contract under Grant FJC2018-036021-I. es_ES
dc.language Inglés es_ES
dc.publisher Institute of Electrical and Electronics Engineers es_ES
dc.relation.ispartof IEEE Transactions on Computers es_ES
dc.rights Reconocimiento (by) es_ES
dc.subject IBM POWER8 Processor es_ES
dc.subject Prefetch Configuration es_ES
dc.subject Inter-Application Interference es_ES
dc.subject Machine Learning es_ES
dc.subject Deep Learning es_ES
dc.subject.classification ARQUITECTURA Y TECNOLOGIA DE COMPUTADORES es_ES
dc.title DeepP: Deep Learning Multi-Program Prefetch Configuration for the IBM POWER 8 es_ES
dc.type Artículo es_ES
dc.identifier.doi 10.1109/TC.2021.3139997 es_ES
dc.relation.projectID info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/RTI2018-098156-B-C51/ES/TECNOLOGIAS INNOVADORAS DE PROCESADORES, ACELERADORES Y REDES, PARA CENTROS DE DATOS Y COMPUTACION DE ALTAS PRESTACIONES/ es_ES
dc.relation.projectID info:eu-repo/grantAgreement/UPV-VIN//PAID-01-20-6//Aplicación de técnicas de deep learning para mejorar las prestaciones y eficiencia energética de los mecanismos de prebúsqueda en procesadores comerciales./ es_ES
dc.relation.projectID info:eu-repo/grantAgreement/GENERALITAT VALENCIANA//AICO%2F2021%2F266//APLICACIÓN DE TÉCNICAS DE APRENDIZAJE PROFUNDO PARA MEJORAR LAS PRESTACIONES Y EFICIENCIA DE LA PREBÚSQUEDA DE PROCESADORES AVANZADOS/ es_ES
dc.relation.projectID info:eu-repo/grantAgreement/MCIU//FJC2018-036021-I//Ayudas Juan de la Cierva - Formación/ es_ES
dc.rights.accessRights Abierto es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Informática de Sistemas y Computadores - Departament d'Informàtica de Sistemes i Computadors es_ES
dc.contributor.affiliation Universitat Politècnica de València. Escola Tècnica Superior d'Enginyeria Informàtica es_ES
dc.description.bibliographicCitation Lurbe-Sempere, M.; Feliu-Pérez, J.; Petit Martí, SV.; Gómez Requena, ME.; Sahuquillo Borrás, J. (2022). DeepP: Deep Learning Multi-Program Prefetch Configuration for the IBM POWER 8. IEEE Transactions on Computers. 71(10):2646-2658. https://doi.org/10.1109/TC.2021.3139997 es_ES
dc.description.accrualMethod S es_ES
dc.relation.publisherversion https://doi.org/10.1109/TC.2021.3139997 es_ES
dc.description.upvformatpinicio 2646 es_ES
dc.description.upvformatpfin 2658 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 71 es_ES
dc.description.issue 10 es_ES
dc.relation.pasarela S\453524 es_ES
dc.contributor.funder GENERALITAT VALENCIANA es_ES
dc.contributor.funder Agencia Estatal de Investigación es_ES
dc.contributor.funder European Regional Development Fund es_ES
dc.contributor.funder UNIVERSIDAD POLITECNICA DE VALENCIA es_ES
dc.contributor.funder Ministerio de Ciencia, Innovación y Universidades es_ES
upv.costeAPC 213,83 es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem