Decomposição de multiplicação matricial em tarefas adequadas a ambientes heterogêneos baseados em GPGPU

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau2347.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum160580pt_BR
dataload.idvirtuanourauvtls000182263pt_BR
dataload.idvirtuapergamumvtls000182263pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000182263pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000182263pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBrancher, Jacques Duílio [Orientador]pt_BR
dc.contributor.authorSilva, Ricardo Inácio Álvares ept_BR
dc.contributor.bancaZarpelão, Bruno Bogazpt_BR
dc.contributor.bancaAttrot, Wesleypt_BR
dc.contributor.bancaRomeiro, Neyva Maria Lopespt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T14:19:05Z
dc.date.available2024-05-01T14:19:05Z
dc.date.created2013.00pt_BR
dc.date.defesa20.02.2013pt_BR
dc.description.abstractResumo: Este trabalho desenvolve dois algoritmos para decomposição de multiplicação matricial geral (GEMM, do inglês General Matrix Multiplication) em tarefas menores, adequadas à distribuição entre processadores disponíveis em sistemas heterogêneos, como CPUs e GPUs, que têm como objetivo a escalabilidade de desempenho Um dos algoritmos gera tarefas que são multiplicações matriciais menores, independentes entre si, mas com redundância de dados nas transferências entre os processadores O trabalho mostra que esse algoritmo também pode ser utilizado para explorar recursos de GPUs como a sobreposição de operações de transferências e execução de kernels Já o outro algoritmo decompõe multiplicações matriciais em três grupos de tarefas, sendo dois de multiplicações menores e um de somas vetoriais Demonstra-se que apesar das tarefas possuírem independência apenas parcial, podem ser organizadas de tal forma a serem resolvidas concorrentemente Este algoritmo também prevê a viabilidade de redução nas transferências de memória entre os processadores e evita redundância nas transferências de dados O trabalho ainda mostra que tais características são desejáveis para sistemas computacionais heterogêneos baseados em computação de propósito geral na unidade de processamento gráfico (GPGPU, do inglês General Purpose computing on GPU) Por fim, o trabalho apresenta implementações dos algoritmos propostos e seus respectivos desempenhos A experimentação mostra que, em um sistema com duas GPUs, os algoritmos podem melhorar o desempenho de multiplicações em 5%, para matrizes de dimensão 1?1, até acima de 1%, para 4?4 adiantept_BR
dc.description.abstractother1Abstract: In this work, we developed two algorithms for decomposing a general matrix multiplication (GEMM) into smaller tasks, adequate to distribution between available processors in heterogeneous systems, such as CPUs and GPUs, that have performance scalability as its main objective One of the algorithms generates independent smaller matrix multiplication tasks, but with redundancy in data transfers between processors We show that this algorithm can utilize GPUs features such as overlapping of memory transfers and kernel executions The other algorithm presented decomposes matrix multiplications in three groups of tasks, two being smaller multiplications and, the other, vectorial sums We show that although the independence of these tasks being only partial, they can be organized in such a way that are able to be solved concurrently This algorithm also provides reduction in memory transfers between processors and avoids redundancy We also show that such features are desirable in heterogeneous systems based in general purpose computing in GPU (GPGPU) Finally, we show implementations to the proposed algorithms and their respective performance Experimentation shows that, in a system with two GPUs, they can improve matrix multiplication performance by 5%, for matrix dimensions from 1?1, up to over 1%, for 4?4 and onpt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/13806
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectProgramação paralela (Computação)pt_BR
dc.subjectProcessamento paralelo (Computadores)pt_BR
dc.subjectÁlgebra linearpt_BR
dc.subjectProcessamento de dadospt_BR
dc.subjectSistemas operacionais distribuídos (Computadores)pt_BR
dc.subjectParallel programming (Computer science)pt_BR
dc.subjectParallel processing (Electronic computers)pt_BR
dc.subjectAlgebpt_BR
dc.titleDecomposição de multiplicação matricial em tarefas adequadas a ambientes heterogêneos baseados em GPGPUpt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
2347.pdf
Tamanho:
1.9 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação