Application of machine learning techniques on prediction of future processor performance
Gelecek işlemci performansının tahmininde makine öğreneme tekniklerinin uygulanması
- Tez No: 537866
- Danışmanlar: DOÇ. DR. GÜRHAN KÜÇÜK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 56
Özet
Günümüzde, işlemciler çeşitli boyutlarda birçok veriyolu kaynağını kullanmaktadır. Bu çalışmada, tek iş-parçacıklı mikroişlemciler üzerinde durmakta ve çalışan bir uygulamanın gelecekteki performans trendini tahmin etmek için makine öğrenme tekniğini uygulamaktayız. Bunu yaparken işlemci istatistiklerini toplamakta ve işlemekteyiz. Bu tür bir performans tahmini süregelen bilgisayar mimarisi araştırma konuları için de yararlı olacağını öngörmekteyiz. Bugün, bu çalışmalar çoğunlukla işlemci istatistikleri toplayan ve programın çalışma süresince eşik durumlarına bağlı olarak yeni kaynak konfigürasyonlarına karar veren, eşik tabanlı tahmin yöntemlerine dayanmaktadır. Önerilen çevrimdışı eğitim tabanlı makine öğrenme metodolojisi, mevcut algoritmalarının tahmin doğruluğunu daha da arttırabilecek ortogonal bir tekniktir. Yapay sinirsel ağ tabanlı tahmin mekanizmamız tahmini işlemci performans eğilimi (yakın gelecekte kazanç ya da kayıp) için yüzde 70 doğruluk oranına ulaşmaktadır.
Özet (Çeviri)
Today, processors utilize many data path resources with various sizes. In this study, we focus on single thread microprocessors, and apply machine learning techniques to predict processors' future performance trend by collecting and processing processor statistics. This type of a performance prediction can be useful for many ongoing computer architecture research topics. Today, these studies mostly rely on history- and threshold-based prediction schemes, which collect statistics and decide on new resource configurations depending on the results of those threshold conditions at runtime. The proposed offline training-based machine learning methodology is an orthogonal technique, which may further improve the prediction accuracy of such existing algorithms. We show that our neural network based prediction mechanism achieves around 70 per cent accuracy for prediction performance trend (gain or loss in the near future) of applications.
Benzer Tezler
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Predictive error compensated wavelet neural networks framework for time series prediction
Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı
SERKAN MACİT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Derin öğrenme modellerinin hücre veri seti üzerinde eğitilerek kıyaslanması ve mobil ortama uyarlanması
Comparision and mobile application of deep learning models trained on blood cell dataset
MEHMET YAVUZ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ZAHİD YILDIZ
- Türkçe eşgönderge çözümlemesi
Turkish coreference resolution
TUĞBA PAMAY
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞEN ERYİĞİT
- İflas olasılığının genelleştirilmiş doğrusal modeller ve birleşik aktüeryal yapay sinir ağları için değerlendirmesi: Tamamlayıcı sağlık sigortası uygulaması
Evaluation of ruin probability using generalized linear model and combined actuarial neural networks methods: A complementary health insurance application
NERMİN ÖDÜL OKUNAKOL
Yüksek Lisans
Türkçe
2024
Aktüerya BilimleriHacettepe ÜniversitesiAktüerya Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAŞAK BULUT KARAGEYİK