اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديداستراتيجية ذاتية التكيف للتطبيقات المتوازية
Auto Adaptive Strategy for Parallel Applications
1347
0 44
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
سنقدم في هذا البحث استراتيجية ذاتية التكيف تمكننا من كتابة خوارزمية متوازية تتكيف مع عدد الموارد المتوفرة على البيئة التفرعية المخصصة لتنفيذ البرنامج المتوازي. إن التطبيقات المتوازية المدروسة و المعنية بالبحث هي تطبيقات ممثلة بمخطط تدفق البيانات المبني ديناميكياً خلال التنفيذ. تقوم الطريقة المقترحة هنا على المزاوجة بين خوارزمية تسلسلية و أخرى متوازية معتمدين على مبدأ سرقة العمل في جدولة المهام. و نقدم دراسة لتعقيد هذه الخوارزمية المتكيفة و تحليل لأدائها على معالج و مقارنته مع خوارزمية تفرعية تقليدية.
We introduce an auto adaptive strategy enables to write a parallel algorithm adapts to the number of available resources at allocated parallel environment to execute the parallel program. The parallel applications we are studying which are represented by data-flow graph which built dynamically during the execution. The new suggested strategy is based on coupling of a sequential algorithm and a parallel one and relies on the principle of work stealing in the tasks scheduling. We offer a study of the complexity of the adaptive algorithm and analyze its performance on processors and compare it with a performance of a classic parallel algorithm.
المراجع المستخدمة
BENDER MA, RABIN MO, 2002, Online scheduling of parallel programs on heterogeneous systems with applications to cilk, Theory Comput Syst. Vol 35.3, pp 289-304
BERNARD J, TRAORE D, ROCH JL, 2006, On-line adaptive parallel prefix computation, Euro-Par, vol 4128, pp 841-850
GALILEE F, CAVALHEIRO G, DOREILLE M, ROCH JL, 1998, Athapascan-1: On-Line Building Data Flow Graph in a Parallel Language, International Conference on Parallel Architectures and Compilation Techniques, PACT'98, pp 88–95
قيم البحث
اقرأ أيضاً
يهدف البحث إلى الاستفادة من وجود عدة وحدات معالجة مركزية
بالإضافة إلى وحدات معالجة رسومية و استغلال العمليات الحسابية التي تقوم بها
وحدات المعالجة الرسومية, بهدف إنشاء آلية لجدولة بيان موجه لا يحوي دائرة,
تهدف إلى تقليل الاتصالات بين الموارد و جدولة المهام المترابطة بأفضل شكل
ممكن.
نقدم في هذا البحث نموذج رياضي مستمر للحصول على الحل الأمثل للمشكلة الناتجة
عن إضافة آلية للتسامح مع الأعطال في بيئات التنفيذ التفرعية و الموزعة عالية الآداء
و هي مشكلة التسوية بين الكلفة المضافة من آلية التسامح مع الأعطال و تأثير الأعطال
على بيئة
التنفيذ و بالتالي على زمن انتهاء تنفيذ التطبيق المتوازي. طريقة التسامح مع
الأعطال المدروسة هي آلية تخزين/استرجاع متزامن و الدراسة المقترحة تعتمد على
نمذجة عشوائية مستمرة لمختمف قيود الأداء للتطبيق المتوازي المنفذ على بنية تفرعية
موزعة.
سنقدم في هذا البحث طريقتين احتماليتين للتحقق من صحة تنفيذ التطبيقات المتوازية
على بنى تفرعية بفرض عدم وجود عقد موثوقة (Oracle) نعتمد عليها في التحقق،
بالإضافة إلى تقديم نموذج الكلفة للآليتين و المقارنة بينهما.
سنهتم في هذا البحث بالتطبيقات المتوا
زية الممثلة بمخطط تدفق البيانات المبني
ديناميكياً خلال التنفيذ و المنفذة في بيئة تفرعية واسعة غير متجانسة و ديناميكية، تعتمد
مبدأ سرقة العمل لتوزيع المهام بين المعالجات.
نقدم في هذا البحث دراسة حول الكلفة الزمنية المضافة إلى بيئة الحوسبة الشبكية نتيجة
استخدام آلية تخزين / استرجاع متناسقة للتسامح مع الأعطال في هذه البيئة، لنصل من
خلال هذه الدراسة إلى نموذج رياضي يحدد لنا الوقت الأنسب لحفظ نقاط التخزين
للتطبيق بهدف
تحقيق أقل زمن لانتهاء تنفيذ التطبيق المتوازي، و كان ذلك عن طريق
نمذجة تسلسلية باستخدام المعادلات التفاضلية لكل من الأعطال المدروسة و بيئة التنفيذ
و أخيرا آلية التسامح مع الأعطال المختارة.
نقترح إطارا جديدا لتدريب النماذج لتصنيف مقبولية الردود الناتجة عن نماذج توليد اللغة الطبيعية (NLG)، وتحسين تحويل الجملة الحالية والنهج القائمة على النماذج. يعتبر استجابة NLG مقبولة إذا كانت كل من صحيحة وتجميعها. نحن لا نستخدم أي مراجع بشرية مما يجعل
المصنفين مناسبين لنشر وقت التشغيل. يتم الحصول على بيانات التدريب للصفوف المصنفة باستخدام نهج من 2 مراحل من أول توليد البيانات الاصطناعية باستخدام مزيج من النهج القائمة والجديدة القائمة على النموذج متبوعا بإطار التحقق من صحة جديدة لتصفية وفرز البيانات الاصطناعية في فئات مقبولة وغير مقبولة. يتكيف نهجنا ذو المرحلتين لدينا بمجموعة واسعة من تمثيل البيانات ولا يتطلب بيانات إضافية تتجاوز ما يتم تدريب نماذج NLG عليها. وهي أيضا مستقلة عن الهندسة المعمارية النموذجية NLG الأساسية، وقادرة على توليد عينات أكثر واقعية قريبة من توزيع الردود الناتجة عن النموذج NLG. نقدم النتائج على 5 مجموعات بيانات (Webnlg، وتنظيفها E2E، Viggo، والتنبيه، والطقس) بتمثيلات بيانات متفاوتة. قارن إطار عملنا مع التقنيات الحالية التي تنطوي على توليد بيانات الاصطناعية باستخدام تحويلات جملة بسيطة و / أو تقنيات قائمة على الطراز، وإظهار أن بناء مصنف مقبولية يستخدمون البيانات التي تشبه مخرجات طراز الجيل تتبع إطار التحقق من الصحة تتفوق على التقنيات الحالية، وتحقيق الدولة النتائج من الفن. نظهر أيضا أن تقنياتنا يمكن استخدامها في إعدادات قليلة عند استخدام التدريب الذاتي.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
