Leveraging data-flowinformation for efficientscheduling of task-parallelprograms on heterogeneoussystems
Başlık çevirisi mevcut değil.
- Tez No: 720776
- Danışmanlar: DR. ANTONİU POP
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: The University of Manchester
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 136
Özet
Özet yok.
Özet (Çeviri)
Writing efficient programs for heterogeneous platforms is challenging: programmers must deal with multiple programming models, partition work for CPUs and accelerators with different compute capabilities, requiring different amounts of parallelism, and manage memory in multiple distinct address spaces. Consequently, programming models which only require expressing parallelism and data dependences can not only unburden the programmer from these technical decisions, but also increase code and performance portability. Past research has identified data-flow task parallel programming models are a good fit for increasing the programmer productivity as well as unleashing the parallel processing power of massively parallel heterogeneous architectures. Especially, the dependence information readily available in the modern data-flow task parallel programming models can be exploited for better task and data placement decisions to achieve higher performance and portability. This thesis focuses on the efficient scheduling of data-flow task parallel programs to a wide range of heterogeneous architectures from multi-core CPUs combined with discrete GPUs to multi-core CPUs with FPGA in system-on-chips. The proposed strategies balance the workload across heterogeneous resources, while simultaneously leveraging the task dependence information available in OpenStream–a platform-neutral and heterogeneity-agnostic data-flow programming model– to optimize the scheduling of tasks and data transfers.
Benzer Tezler
- Risk assessment in the context of modern methods of construction leveraging data analytics
Veri analitiği kullanarak modern inşaat yöntemleri için risk değerlendirmesi
ALI TATARI
Yüksek Lisans
İngilizce
2022
İnşaat MühendisliğiBoğaziçi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEMRA ÇOMU YAPICI
- Developing an architectural framework for facilitating transformation towards data-driven organizations
Veri güdümlü kuruluşlara dönüşümü kolaylaştırmak için mimari bir çerçevenin geliştirilmesi
KEREM KAYABAY
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. PEKİN ERHAN EREN
DOÇ. DR. EBRU GÖKALP
- Predictive modeling of return occurrence in e-commerce apparel market: A comparative study of logistic regression, LASSO, XGBoost and Random Forest techniques
E-ticaret giyim pazarında iade tahmini modelleme: Lojistik regresyon, LASSO, XGBoost ve Rastgele Orman tekniklerinin karşılaştırmalı bir çalışması
ASİYE ASLI KUTLU
Yüksek Lisans
İngilizce
2024
İşletmeİhsan Doğramacı Bilkent Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. YASEMİN LİMON KAHYAOĞLU
DOÇ. DR. FEHMİ TANRISEVER
- Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
AIGERIM SULTANALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN ÇAKIR
- Distributed detection of ddos attacks in machine learning-enabled software defined networks
Başlık çevirisi yok
ALİ CAN FİDANCI
Yüksek Lisans
İngilizce
2019
BiyomühendislikPolitecnico di MilanoPROF. FRANCESCO MUSUMECİ
PROF. MASSİMO TORNATORE