Répétitives sur une architecture régulière embarquée

Présentation au sujet: "Répétitives sur une architecture régulière embarquée"— Transcription de la présentation:

1 Répétitives sur une architecture régulière embarquée
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound Multi Objectif Placement de tâches Répétitives sur une architecture régulière embarquée Présenté par : MOSTEFA Meriem Encadré par : Monsieur A. BENYAMINA Monsieur P. BOULET

2 plan introduction Embarquée
Calcul intensif (DSP) et applications répétitives Problématique Optimisation Multi-Objectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound Multi-Objectif Placement de tâches Répétitives sur une architecture régulière embarquée

3 Environnement des systèmes embarqués.
Introduction Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Un système embarqué peut être défini comme un système électronique et informatique autonome, qui est dédié à une tâche bien précise. Ses ressources disponibles sont généralement limitées. CNA + Système embarqué Environnement des systèmes embarqués. Placement de tâches Répétitives sur une architecture régulière embarquée

4 DSP Entrée Traitement Sortie Appel DSP
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Traitement Sortie Entrée Appel DSP Du fait que le type du DSP qu’on utilise par exemple (TMS320C6416) est de type à virgule fixe, donc il faut: Définir pour chaque donnée la position de la virgule, c’est à dire le nombre de bits pour les parties fractionnaires et les parties entières. Maintenir la fonctionnalité de l’algorithme Satisfaire la contrainte de précision Optimiser l’implémentation de l’algorithme Evolution des processeurs DSP. Placement de tâches Répétitives sur une architecture régulière embarquée

5 - Onde émise par le RADAR
Le Filtre de Kalman Le Filtre de Kalman Pseudo meilleur Estimateur Au Sens de la Minimisation de l’erreur quadratique moyenne . Kalman est implémenté sur DSP. Estimer et Prédire la Trajectoire à n’importe quelle Cible . Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Cible - Onde émise par le RADAR - Onde réfléchie par la cible Estimation des paramètres en avec le filtre de kalman ? RADAR Placement de tâches Répétitives sur une architecture régulière embarquée

6 exemple typique d’application intensive
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Echantillon à partir de 512 hydrophones à l’infini autour d’un sous-marin. Placement de tâches Répétitives sur une architecture régulière embarquée

7 Fusion de deux tâches répétitives
Calcul Intensif (DSP) et Applications Repetitives Problématique Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Optimisation MultiObjectif Illustration avant fusion Illustration après fusion Placement de tâches Répétitives sur une architecture régulière embarquée

8 Différentes répétitions dans Array-Ol
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif illustration des différentes répétitions Placement de tâches Répétitives sur une architecture régulière embarquée

9 Mécanisme de modélisation de la Factorization 1
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Component a3 : ComponentA a2 : ComponentA a1 : ComponentA Potential factorization: Ports Parts Connectors Placement de tâches Répétitives sur une architecture régulière embarquée

10 Modelisation du mecanisme de Factorization 2
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Component [6 ] [3 ] a : ComponentA [3] [2 ] [ ] «RepetitiveConnector» Repetitive Component Factorization expressed In the context of a repetitive component Le composant répétitif contient une partie unique Placement de tâches Répétitives sur une architecture régulière embarquée

11 Problématique 1 ,.. p1 p2 P3 -mode i : vexe = cycle/U tps et E
SoC1 SoC2 p2 p1 ,.. - Vexe d’I cycle E cons pour cycle file d’attente -mode i : vexe = cycle/U tps et E Architecture HW Cible Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif T1 T3 T4 T5 Tn T2 Graphe d’application Q13 Q14 Graphe d’architecture logiciel «BnB» P3 Placement Optimal Placement de tâches Répétitives sur une architecture régulière embarquée

12 Problématique 2 T1 T2 T3 exemple rapport motif tâches/ processeurs (3 Tche. /2 Proc. ) Remarque : pour un niveau i qui est représenté par Ti le Nbre de nœuds pour chaque niveau est (2*nbre processeurs )i . Placement de tâches Répétitives sur une architecture régulière embarquée

13 Problématique Flot de Conception GASPARD
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif “Y” model Placement de tâches Répétitives sur une architecture régulière embarquée

14 L’optimisation multi objectif
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif L’optimisation multi-objectifs vise à optimiser simultanément plusieurs objectifs souvent contradictoires. Objectifs: Rechercher l’ensemble des solutions satisfaisantes. Temps d’exécution : :La durée d’exécution de la tâche i au sein du processeur p en mode m. :La durée de communication entre tâche i et j placées respectivement sur les processeurs p et q. :Si la tâche i est affectée au processeur p en mode m alors X=1 sinon X=0. Energie consommée : :la consommation de la tâche i affectée au processeur p au mode m. :La consommation due à la communication entre la tâche i et j affectées respectivement au processeurs p et q. Placement de tâches Répétitives sur une architecture régulière embarquée

15 Méthodes de résolution
Heuristiques Algorithme A* branch and bound Algorithme basique Exactes Recherche tabou Solution simple Population des solutions Algorithme génétique Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif fonction Multi-objective Concept général Opt{f(x)xX} Opt= Min ou Max X :ensemble des solutions réalisables f(x) : le coût de f à l’ optimum. Placement de tâches Répétitives sur une architecture régulière embarquée

16 Front Pareto dominés Energie Temps = Individus non dominés
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Temps Energie dominés = Individus non dominés Identifier le front Pareto Placement de tâches Répétitives sur une architecture régulière embarquée

17 Algorithme général Mise Algorithme de placement des tâches répétitives
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Mise Algorithme de placement des tâches répétitives Début ; Introduire le nombre de PE, S et la matrice de topologie ; Introduire les caractéristiques de l’architecture et des tâches répétitives ; Motiftaches = 0 ; totalslack =  ∞ ; Pour N=S à N=S*S faire utiliser la méthode exacte pour trouver le placement au mode max des processeurs Utiliser l’algorithme d’optimisation des communications calculer totalNslack Si totalNslack < totalslack alors totalslack = totalNslack et Motiftaches = N sinon rien fsi fin pour faire changer le mode des processeurs Calculer pour chaque placement la durée d’exécution et l’énergie Retenir le front Pareto ou les solutions non dominées Fin pour Placement de tâches Répétitives sur une architecture régulière embarquée

18 Modélisation UML Diagramme d’Activité Structure package
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Structure package Diagramme d’Activité Placement de tâches Répétitives sur une architecture régulière embarquée

19 Diagramme de Classe : Conclusion et perspectives
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Placement de tâches Répétitives sur une architecture régulière embarquée

20 Représentation d’un élément extrait du composant matériel GASPARD.
Un Exemple d’une Plate-forme matérielle Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif SIMD unit  avec 16 Processeurs Elémentaires Topologie : Toroïdal 4x4 Grid Bidirectionnel Connections North-South. East-West. Représentation d’un élément extrait du composant matériel GASPARD. exemple de topologie toroïdal 4x4 Grid avec des connections bidirectionnelles. Placement de tâches Répétitives sur une architecture régulière embarquée

21 « Hw Repetitive Component »
Composant Répétitif Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif pe : PE [4,4] « Hw Repetitive Component » Cyclic Grid 4x4 « Self Connector » Repetition Space Dependence = {1,0} Modulo = true « Self Connector » Repetition Space Dependence = {1,0} Modulo = true Exemple 4x4 grille cyclique de communication PEs Placement de tâches Répétitives sur une architecture régulière embarquée

22 Architecture DOWNSCALER
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Placement de tâches Répétitives sur une architecture régulière embarquée

23 Exemple Encodeur H263 Conclusion et perspectives
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Expérimentation et Résultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Placement de tâches Répétitives sur une architecture régulière embarquée

24 Les solutions de placement non dominés du PARETO
Archivage avec contraintes du Temps et d’Energie des solution non dominées du Pareto pour BnB Séquentiel Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Les solutions de placement non dominés du PARETO Placement de tâches Répétitives sur une architecture régulière embarquée

25 27/03/2017 Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Séquentiel Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Illustration des Meilleurs Solutions trouvées en vérifiant les contraintes temporelles du Dead Line de l’application Placement de tâches Répétitives sur une architecture régulière embarquée

26 le placement et l‘ordonnancement via Diagramme
Gantt Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Tps d’occupation des Processeurs(tps de calcul) =  T exe . Tps disponible Totale = La Durée d’exe * nbre Processeurs . (avec : La durée d’exe = T fin - T debut . ) Slack Total = Tps disponible Totale - Tps d’occupation des Processeurs Placement de tâches Répétitives sur une architecture régulière embarquée

27 Archivage du Pareto qui verifient les contraintes du Total Min Slack avec BnB Parallèle
introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Les solutions de placement qui vérifient les contraintes temporelles de Dead Line de nos résultats Expérimentaux avec le Branch and Bound Parallèle du Motif de 4 Taches. Placement de tâches Répétitives sur une architecture régulière embarquée

28 Diagramme du Gantt pour Motif 4 taches avec BnB Parallèle :
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif Placement de tâches Répétitives sur une architecture régulière embarquée

29 Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Parallèle : Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif introduction Embarquée Placement de tâches Répétitives sur une architecture régulière embarquée

30 Etude comparative entre BnB Parallel et BnB Séquentiel
Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif BnB séquentiel BnB parallèle Illustration d’etude comparative entre BnB Sequentiel et BnB parallel en fonction du Temps de Recherche et le nombre de motifs executés Placement de tâches Répétitives sur une architecture régulière embarquée

31 Conclusion et perspectives
Notre contribution pour construire un modèle comprenant les valeurs de temps d'exécution de chaque tâche sur chaque processeur en fonction du voltage ainsi que les performances des réseaux d'interconnexion en fonction du volume de données transportées. Dans le cadre de conception et développement du logiciel où ces valeurs sont fournies à l'algorithme Branch & Bound d'optimisation Parallèle multicritères qui propose un placement qui représente l’optimum théorique « exact » ou plusieurs placements intéressants par rapport à ces performances et aussi en vérifiant le critère des contraintes temporelles pour le choix du motif Optimal. Perspective: on va essayer d’Optimiser avec d’autres contraintes comme la mémoire cache et la taille de la puce avec des Simulations réels . Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives introduction Embarquée Branch & Bound MultiObjectif

32 Merci pour votre Attention

33 Vos Questions