Ordonnancement d’applications intensives embarquées sur GPUs

Slides:



Advertisements
Présentations similaires
Modèles de Markov Cachés (HidenMarkovModel)
Advertisements

Placement de Motifs Architecture Application Contraintes: - Charge
DATA WAREHOUSES Selection of Views to Materialize in a Data Warehouse Himanshu Gupta Department of Computer Science Stanford University Bernigaud Sébastien.
A NETWORK-AWARE DISTRIBUTED STORAGE CACHE FOR DATA INTENSIVE ENVIRONMENTS Brian L. TIERNEY, Jason LEE, Brian CROWLEY, Mason HOLDING Computing Sciences.
Critère d’ordonnancement en temps réel Partie II
Critère d’ordonnancement en temps réel Partie III
Affine registration with Feature Space Mutual Information (2001)
A Pyramid Approach to Subpixel Registration Based on Intensity
Simultaneous Registration and Activation Detection for fMRI
Journées Composants 2005 Gestion de la qualité de service de la conception à l’exécution dans les applications distribuées multimédias Sophie Laplace.
Modèle de coût algorithmique intégrant des mécanismes de tolérance aux pannes Samir Jafar, Thierry Gautier, Jean Louis Roch Laboratoire ID-IMAG Equipe.
Informatique parallèle hautes performances
Traitement de flux vidéo sur GPU (Processeur graphique)
Répétitives sur une architecture régulière embarquée
Ordonnancement des activités de télémaintenance
Application des algorithmes génétiques
Algorithmes Branch & Bound
Société Française de Thermique
Rennes, le 18 septembre 2006 Support du paradigme maître-travailleur dans les applications à base de composants Tâche 2.2 Hinde Bouziane Réunion LEGO.
Ordonnancement avec exclusion mutuelle par un graphe d’intervalles ou d’une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin.
Luce Brotcorne Maître de Conférences LAMIH/ROI
Projet région Thématique prioritaire n°10 Calculs Scientifiques Logiciels Rhône-Alpes : Grille pour le Traitement dInformations Médicales (RAGTIME ?)
RECONNAISSANCE DE FORMES
LSIIT-ICPS Illkirch, le 11 décembre 2001
Fanny Pascual - Laboratoire d’Informatique de Grenoble (LIG)
Propriétés des ordonnancements SPT
Ordonnancement de tâches
Alessandro de Luna Almeida
Plateforme de calcul massivement parallèle évolutionnaire EASEA
8INF856 Programmation sur architectures parallèles
GESTION DE PRODUCTION ET OPERATIONS – GPO-
Optimisation par la méthode des abeilles
Energy optimization in a manufacturing plant Journée GOThA Ordonnancement avec contraintes d’énergie et/ou de ressources périssables LAAS-CNRS Toulouse.
Bases de Données Temporelles
I.A. Session 2009/2010 E.P.S.I. Bordeaux – C.S.I.I – 2 ème Année – Cours n°6.
Programmation parallèle
Université Pierre et Marie Curie Laboratoire d’Informatique de Paris VI Département ASIM Analyse et résultats sur le dimensionnement des mémoires pour.
Construction d'une hiérarchie mémoire faible consommation
Université du Havre Faculté des sciences et techniques Laboratoire d’informatique du Havre DEA INFORMATIQUE THEORIQUE ET APPLICATIONS Thème Proposé et.
Mustapha Hamidou Vendredi 20 août Stage Contour Matching.
Programmation mathématique avancée
République Algérienne Démocratique et Populaire
1 Méthode de “Fast Marching” générique pour “Shape From Shading” E. Prados & S. Soatto RFIA 2006 janvier 2006, Tours.
Optimisation pour la Conception de Systèmes Embarqués
Helen KASSEL (amphi), Herve BARBOT (TD, TP)
2005/2006 Structures de Données Introduction à la complexité des algorithmes.
Résumé du track “Computing Fabrics and Networking Technologies” CHEP 2010 Guillaume Cessieux – Équipe réseaux, CCIN2P
Présentation de l’équipe
Algorithmes génétiques en optimisation combinatoire
21/02/2003DEA DISIC 1 Grid Computing Programming the grid: Distributed Software Components, P2P and Grid Web Services for Scientific Applications Tarak.
1. Introduction 2. Les réseaux sur puce NOC 3. Conception des SOC
Maximisation of building solar potential determined using Radiance Previous work / Motivation Methodology Results Conclusion Solar Energy and Buildings.
Intégration des Tableaux Multidimensionnels en Pig pour
Organisation IFT 6800 – E 2007 Jian-Yun Nie. Plan Introduction Architecture d’ordinateur Système d’exploitation Base de données Internet, TCP/IP Programmation.
Création et Optimisation de Modules Audio avec les instructions SSE
Evaluation d’architectures pour les sites web utilisant des bases de données Article de Wen-Syan Li, Wang-Pin Hsiung, Oliver Po, K. Selcuk Candan, Divyakant.
(Networked Software Agent) une architecture multiagent
Modélisation des problèmes complexes et Optimisation
Développement du jeu Ricochet Robots pour Android
PLAN DE L’EXPOSÉ 1) Introduction 2) Méthodologie
Ordonnancement en présence d’agents individualistes
Proposition de possibilité d’évolution de nos spécialités Deux projets (liés) : Projet 1 : Informatique Computationnelle – Etudiants 4 e et 5 e IR Projet.
Algorithmes parallèles
Algorithmes Branch & Bound Module IAD/RP/RO Master d ’informatique Paris 6 Philippe Chrétienne.
J Gaudart 1, E Cloutman-Green 2, S Guillas 3, JC Hartley 2, N Klein 4. Variabilité spatiale de l’aérocontamination bactérienne au lit du patient (Londres,
Grilles de recherche Veronique Donzeau-Gouge. 2 objectifs Renforcer la présence du CNRS dans ce domaine en liaison avec : L’Institut ST2I L’INRIA, Les.
Ecole Informatique 2010 La Programmation des Architectures Multi-cœurs Cécile Barbier Fatih Bellachia Alain Masserot.
GPU sous LabVIEW eTIG_OOP_ Plan de la présentation 1.Frameworks OOP référencés 2.Performances d’accés 3.Performances de compilation 4.Erreurs.
IGARSS 2011 Vancouver Tomographic Profiling (TP) A Scheme for Vertical Backscatter Profiling of Biogeophysical Targets at Constant Incidence Angles Keith.
Transcription de la présentation:

Ordonnancement d’applications intensives embarquées sur GPUs ADDA CHAHRAZED addachahrazed@gmail.com Encadreur: Mr A.E.BENYAMINA Co-Encadreur: Mr L.Loukil et Mr P.BOULET

Plan 1. Introduction 2. Travaux connexes 3. Conclusion

INTRODUCTION

1. Introduction Problématique: GILR PI PR Algorithme d’ordonnancement ? Algorithme d’ordonnancement ? CPU GPU GPGPU (Architecture Hétérogène)

1. Introduction Mes Présentations: : 5 exposés Voir le lien: AASGaspard

Travaux connexes

système hétérogène tels que (GPU+ FAPGA+CPU) [1] Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. 2012 système hétérogène tels que (GPU+ FAPGA+CPU) Satisfaction de deux critères (Max tps de performance, Min consommation d’énergie) ) Ordonnancement basée(liste de priorité de taches)

[1] Qiang Liu and Wayne Luk2 [1] Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. 2012 Ordonnancement fonction basée sur le temps d’exécution et consommation d’énergie sous forme un mode de programmation linéaire

Dependency Resolution. 2012 [2] Stanley Tzeng , Brandon Lloyd , John D. Owens. A GPU Task-Parallel Model with Dependency Resolution. 2012 Calcul intensif sur GPUs Satisfaction de critère (minimiser le temps d’exécution) Ordonnancement basée(priorité de dépendance) Ordonnancement fonction basée sur DCounter.

Calcul intensif sur GPUs [3] Richard Membarth, Jan-Hugo Lupp, Frank Hannig, Jürgen Teich, Mario Körner, and Wieland Eckert. Dynamic Task-Scheduling and Resource Management for GPU Accelerators in Medical Imaging. 2012 Calcul intensif sur GPUs Satisfaction de critère (minimiser le temps d’exécution) Ordonnancement basée(priorité de dépendance) et LDF (Latest Deadline First ))

système hétérogène tels que (GPUs+CPUs) [4] Sidi Ahmed Mahmoudi, Sébastien Fréemal, Michel Bagein, Pierre Manneback. Calcul intensif sur GPU: exemples en traitement d’images, en bioinformatique et en télécommunication. 2013 système hétérogène tels que (GPUs+CPUs) Satisfaction de deux critères (minimiser le temps de réponse ) Traitement d’un seul image (détection de coins et contour) Traitement de plusieurs images (détection de coins et contour) Ordonnancement basée sur (CUDA et OpenGl) Ordonnancement basée sur (StarUP)

Calcul intensif sur GPUs [5] N. Melab & T-V. Luong . Optimisation Parallèle Coopérative sur GPU . Equipe-Projet DOLPHIN. 2010 Calcul intensif sur GPUs Satisfaction de critère (Max tps de performance, Min consommation d’énergie) ) Ordonnancement basée(Algorithmes évolutionnaires) )

Calcul intensif sur GPUs [6] Thomas R. W. Scogland, Barry Rountree,Wu-chun Feng,Bronis R. de Supinski†. Heterogeneous Task Scheduling for Accelerated OpenMP. 2012 Calcul intensif sur GPUs Satisfaction de critère (Max tps de performance) Ordonnancement basée(Algorithmes génétique)

2. Travaux connexes Articles plateformes Algorithme d’ordonnancement Critère d’optimisation Langage de programmation Remarque [Qiang et al 2012] CPUs-GPUs-FPGAs Programmation linéaire Maximiser efficacité énergétique du système , Max tps performance C++ [Tzeng et al 2012 ] GPUs Statique(résolution de dépendance) minimiser le temps d’exécution - [Membarth et al 2012] Dynamique (en fonction des priorités et LDF (Latest Deadline First )) minimiser le temps de réponse CUDA, opencl [Mahmoudi et al 2013] CPUs-GPUs 1.Ordonnandement par CUDA 2.Odonancement effectué par StarUP+ les algorithmes de traitement d’image 1.CUDA+OpenGL 2.StarUP Traitement 1.Pour une seul image 2. Pour plusieurs images

2. Travaux connexes Articles plateformes Algorithme d’ordonnancement Critère d’optimisation Langage de programmation Remarque [Qiang et al 2011] CPUs-GPUs- Statique Algorithmes évolutionnaires Max tps Performance, Min consom D’énergie OpenCL [Thomas et al 2012] génétiques Performance OpenMP

Conclusion

3. Conclusion Proposition: Partie1: Commence par un graphe à un seul niveau GILR PI PR Algorithme d’ordonnancement Statique Algorithme d’ordonnancement Statique évolutionnaires (PSO et dijkstra ) Travail de Mr Aroui (Branch & Bound) GP GPU GPGPU (Architecture Hétérogène)

Référence bibliographique [1] Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. School of Electronic Information Engineering, Tianjin University, 300072 Tianjin, China 2 Department of Computing, Imperial College London, SW7 2AZ London, UK. 2012 [2] Stanley Tzeng , Brandon Lloyd , John D. Owens. A GPU Task-Parallel Model with Dependency Resolution. 2012 [3] Richard Membarth, Jan-Hugo Lupp, Frank Hannig, Jürgen Teich, Mario Körner, and Wieland Eckert. Dynamic Task-Scheduling and Resource Management for GPU Accelerators in Medical Imaging. Hardware/Software Co-Design, Department of Computer Science, University of Erlangen-Nuremberg, Germany. Siemens Healthcare Sector, H IM AX, Forchheim, Germany. 2012

Référence bibliographique [4] Sidi Ahmed Mahmoudi, Sébastien Fréemal, Michel Bagein, Pierre Manneback. Calcul intensif sur GPU: exemples en traitement d’images, en bioinformatique et en télécommunication. Université de Mons, Faculté Polytechnique. Service d’informatique 20, Place du Parc 7000 Mons, Belgique.2013 [5] N. Melab & T-V. Luong . Optimisation Parallèle Coopérative sur GPU . Equipe-Projet DOLPHIN. 2010 [6] Thomas R. W. Scogland, Barry Rountree,Wu-chun Feng,Bronis R. de Supinski†. Heterogeneous Task Scheduling for Accelerated OpenMP. Center for Applied Scientific Computing, Lawrence Livermore National Laboratory, Livermore, CA 94551 USA. 2012