Skip to Main content Skip to Navigation
Theses

Auto-tuning pour la détection automatique du meilleur format de compression pour matrice creuse

Résumé : De nombreuses applications en calcul scientifique traitent des matrices creuses de grande taille ayant des structures régulières ou irrégulières. Pour réduire à la fois la complexité spatiale et la complexité temporelle du traitement, ces matrices nécessitent l'utilisation d'une structure particulière de stockage (ou de compression) des données ainsi que l’utilisation d’architectures cibles parallèles/distribuées. Le choix du format de compression le plus adéquat dépend généralement de plusieurs facteurs dont, en particulier, la structure de la matrice creuse, l'architecture de la plateforme cible et la méthode numérique utilisée. Etant donné la diversité de ces facteurs, un choix optimisé pour un ensemble de données d'entrée peut induire de mauvaises performances pour un autre. D’où l’intérêt d’utiliser un système permettant la sélection automatique du meilleur format de compression (MFC) en prenant en compte ces différents facteurs. C’est dans ce cadre précis que s’inscrit cette thèse. Nous détaillons notre approche en présentant la modélisation d'un système automatique qui, étant donnée une matrice creuse, une méthode numérique, un modèle de programmation parallèle et une architecture, permet de sélectionner automatiquement le MFC. Dans une première étape, nous validons notre modélisation par une étude de cas impliquant (i) Horner, et par la suite le produit matrice-vecteur creux (PMVC), comme méthodes numériques, (ii) CSC, CSR, ELL, et COO comme formats de compression, (iii) le data parallèle comme modèle de programmation et (iv) une plateforme multicœurs comme architecture cible. Cette étude nous permet d’extraire un ensemble de métriques et paramètres qui influent sur la sélection du MFC. Nous démontrons que les métriques extraites de l'analyse du modèle data parallèle ne suffisent pas pour prendre une décision (sélection du MFC). Par conséquent, nous définissons de nouvelles métriques impliquant le nombre d'opérations effectuées par la méthode numérique et le nombre d’accès à la mémoire. Ainsi, nous proposons un processus de décision prenant en compte à la fois l'analyse du modèle data parallèle et l'analyse de l’algorithme. Dans une deuxième étape, et en se basant sur les données que nous avons extrait précédemment, nous utilisons les algorithmes du Machine Learning pour prédire le MFC d’une matrice creuse donnée. Une étude expérimentale ciblant une plateforme parallèle multicœurs et traitant des matrices creuses aléatoires et/ou provenant de problèmes réels permet de valider notre approche et d’évaluer ses performances. Comme travail futur, nous visons la validation de notre approche en utilisant d'autres plateformes parallèles telles que les GPUs.
Document type :
Theses
Complete list of metadatas

https://tel.archives-ouvertes.fr/tel-01959289
Contributor : Abes Star :  Contact
Submitted on : Tuesday, December 18, 2018 - 4:07:08 PM
Last modification on : Monday, May 4, 2020 - 11:37:58 AM
Document(s) archivé(s) le : Wednesday, March 20, 2019 - 9:19:18 AM

File

77341_MEHREZ_2018_archivage.pd...
Version validated by the jury (STAR)

Identifiers

  • HAL Id : tel-01959289, version 1

Citation

Ichrak Mehrez. Auto-tuning pour la détection automatique du meilleur format de compression pour matrice creuse. Automatique. Université Paris-Saclay; Université de Tunis El-Manar. Faculté des Sciences de Tunis (Tunisie), 2018. Français. ⟨NNT : 2018SACLV054⟩. ⟨tel-01959289⟩

Share

Metrics

Record views

693

Files downloads

255