Comparison and optimization of gpu performances on ethereum mining
Ethereum madenciliğinde gpu performanslarının karşılaştırılması ve iyileştirilmesi
- Tez No: 617142
- Danışmanlar: PROF. DR. İLYAS ÇANKAYA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Ethereum, Blokzincir, Kripto para madenciliği, GPU madenciliği, Ethereum, Blockchain, Cryptocurrency mining, GPU mining
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 55
Özet
2008 yılında yayınlanan“Bitcoin: A Peer-to-Peer Electronic Cash System”adlı makale sayesinde bilgi sahibi olduğumuz Bitcoin, bilimsel litaratüre yeni terimler kazandırarak popülerliğini arttırmaktadır. Alternatif sanal para olarak geliştirilen Ethereum, merkezi bir sunucu veya bir kontrol noktaya ihtiyaç duymadan, karşılıklı uçlar arası anonim ve ucuz şekilde varlık transferine olanak sağlayan bir sistemdir. Blokzincir yapısının en yaygın kullanımı olan Bitcoin ve altcoinlerdir. Kripto paralar madencilik olarak adlandırılan ve zorlu bir algoritmanın çözümü ile gerçekleşmektedir. Sistemde yer alan herhangi bir madenci bu çözümü elde etmek için elinde bulunan ekran kartı ve işlemci gücünü kullanmaktadır. Bu çalışmada GPU'ların barındırdığı işlemcilerin, kayan noktalı işlem hesaplamalarında daha verimli olmaları sebebiyle Ethereum madenciliğinde kullanılan çeşitli ekran kartlarının performansları 4 kademeli bir iyileştirme paketi ile artırılarak karşılaştırılmıştır. Önerilen iyileştirme metotları için kullanılan ekran kartlarının model ve bellek miktarları şu şekildedir: 4 GB AMD R9 290, 4 GB AMD R9 380, 8 GB AMD R9 390, 4 GB AMD RX 560, 4 GB AMD RX 470, 4 GB AMD RX 480, 4 GB AMD RX 570, 4 GB AMD RX 580, 6 GB NVIDIA GTX1060, 8 GB NVIDIA GTX1070, 8 GB NVIDIA GTX1080. Bu çalışmanın en önemli amacı, Ethereum madenciliğine özgü Ethash özet algoritmasında iyileştirme yöntemleri uygulamaktır. Bu amaçla, AMD ve NVIDIA yonga seti grafik kartlarının daha düşük güç tüketimi ile daha hızlı algoritmalar çözmelerini sağlamak için iyileştirmeler yapılmıştır. Grafik kartları fabrika ayarlarıyla çalıştırıldığında, hiçbiri geçerli döviz kurlarından dolayı fayda getiremeyecek durumdadır. Algoritmanın hızını arttırmanın yanı sıra güç tüketimini azaltmak kar bölgesine geçiş için önemli bir faktör olmuştur. Yapılan çalışmalar sonucunda elde edilen değerlere bakıldığında yaklaşık % 30 performans artışı görülmüştür. Ayrıca iyileştirme paketi ile ekran kartlarının tükettiği elektrik enerjisi yüzde 20 ile yüzde 30 arası azaltılmıştır.
Özet (Çeviri)
Bitcoin, which emerged in 2008 with the article“Bitcoin: A Peer-to-Peer Electronic Cash System”, is increasing its popularity day by day by adding new terms to scientific literature. Developed as an alternative cryptocurrency, Ethereum is a system that allows for anonymous and inexpensive asset transfer between the opposite ends without the need for a central server or a checkpoint. Bitcoin and alternative crypto coins are the most common use of blockchain structure. Crypto coins are realized by mining which is the solution of a challenging algorithm. Any miner in the system uses the graphics card and processor power in hand to obtain this solution. As the processors of the GPUs are more efficient in floating point calculations, the performances of the various graphics cards used in Ethereum mining will be focused on in this study. The model and memory quantities of the graphics cards used are as follows: 4 GB AMD R9 290, 4 GB AMD R9 380, 8 GB AMD R9 390, 4 GB AMD RX 560, 4 GB AMD RX 470, 4 GB AMD RX 480, 4 GB AMD RX 570, 4 GB AMD RX 580, 6 GB NVIDIA GTX1060, 8 GB NVIDIA GTX1070, 8 GB NVIDIA GTX1080. The most important aim of this study is to apply optimization methods in the Ethash summary algorithm which is specific for Ethereum mining. For this purpose, improvements have been made to enable AMD and NVIDIA chipset graphics cards to solve faster algorithms with lower power consumption. When the graphics cards were operated with the factory default settings, none of them could profit from the current exchange rates. Reducing the power consumption along with increasing the speed of the algorithm has been an important factor in the transition to the profit zone. As a result of the studies, a performance increase of 30% is observed. Also, the electrical energy consumed by the graphics cards used for Ethereum mining is reduced by 20 to 30 percent.
Benzer Tezler
- Makine öğrenmesi algoritmalarında kullanılan paralel hesaplama yaklaşımlarının zaman ve bellek performanslarının kıyaslanması
Comparison of time and memory performance of parallel computing approaches used in machine learning algorithms
GİZEN MUTLU
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM ACI
- Accelerating local search algorithms for travelling salesman problem using GPU effectively
Grafik işlemci biriminin etkin kullanımıyla gezgin satıcı problemi için yerel arama algoritmalarının hızlandırılması
GİZEM ERMİŞ
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT ÇATAY
- Community detection on gpu: a comprehensive analysis, unified memory enhancement, and memory access optimization
Grafik işlemci birimi tabanlı topluluk tespiti: kapsamlı analiz, birleşik bellek desteği ve bellek erişim optimizasyonu
EMRE DİNÇER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ IŞIL ÖZ
- Yusufçuk optimizasyon algoritmasının dağıtık ve paylaşımlı bellek mimarileri üzerinde paralelizasyonu
Parallelization of Dragonfly optimization algorithm on distributed and shared memory architects
RAMAZAN POLAT
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AKDAĞLI
- Yapay zeka tabanlı drone optimizasyonu
Artificial intelligence based drone optimization
ENES CENGİZ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL YILMAZ