Uso de redes neurais na previsão de desvios em arquiteturas superescalares

Detalhes bibliográficos
Autor(a) principal: Ribas, Luiz Vinicius Marra
Data de Publicação: 2003
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/26986
Resumo: Orientador : Maurício F. Figueiredo
id UFPR_2932774add610b36c815963f5ac1fd51
oai_identifier_str oai:acervodigital.ufpr.br:1884/26986
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaFigueiredo, Mauricio FernandesRibas, Luiz Vinicius Marra2024-03-28T17:11:24Z2024-03-28T17:11:24Z2003https://hdl.handle.net/1884/26986Orientador : Maurício F. FigueiredoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em InformáticaResumo: Os processadores comerciais atuais usam técnicas agressivas para a extração do paralelismo em nível de instrução com o objetivo de atingir maior desempenho. Uma destas técnicas, a previsão de desvios, é usada para antecipar a busca de instruções, manter contínuo o fluxo de instruções no pipeline e aumentar as chances de paralelização de instruções. A maioria dos previsores de desvios utiliza algoritmos triviais aplicados a informações comportamentais sobre os desvios contidas em tabelas atualizadas dinamicamente. Uma nova abordagem tem sido investigada recentemente visando substituir estes algoritmos triviais por redes neurais, com o objetivo de prover maior inteligência aos previsores. Os trabalhos realizados com previsores deste tipo ainda são introdutórios e por isso estudos mais profundos devem ser realizados. O presente trabalho analisa o desempenho da previsão de desvios baseada em rede neural do tipo Perceptron para cinco diferentes modelos de previsores propostos. O modelo UNI realiza a previsão através de um único Perceptron para todas as instruções dos programas. Os modelos TIP e END utilizam vários Perceptrons em tabelas acessadas pelo tipo ou endereço das instruções de desvios, respectivamente. Os modelos DNT e DNE possuem o mecanismo de previsão implementado em dois níveis e são extensões dos respectivos modelos em um nível (TIP e END). Estes modelos foram avaliados sob diferentes tamanhos de históricos de desvios (2 a 64), diferentes números de linhas (64 a 1024) e graus de associatividade (1 a 16) da tabela de Perceptrons, incluindo diferentes tipos de organização do previsor, LOCAL e GLOBAL, definindo a localização do histórico de desvios nos Perceptrons; e LG_AND e LG_OR, que combinam as saídas de LOCAL e GLOBAL segundo sua função lógica. As avaliações mostram que os previsores de dois níveis apresentam melhores resultados que os correspondentes de um nível, que o aumento das linhas da tabela para a mesma associatividade apresenta um ganho de desempenho e que há aumento de desempenho com o aumento da associatividade para o mesmo número de linhas da tabela. Os melhores resultados obtidos foram para programas de ponto flutuante e desvios para frente. As organizações LG_AND e LG_OR não apresentam contribuições representativas na previsão de desvios, ficando os melhores resultados para LOCAL e GLOBAL. De uma forma geral, o presente trabalho mostrou que o uso do Perceptron na previsão de desvio é atrativo e os resultados são equivalentes àqueles obtidos em trabalhos correlatos.Abstract: Nowadays, all commercial processors use aggressive techniques to extract high instruction level parallelism and to improve performance. One of these techniques, the branch prediction, is used to anticipate the instruction fetch, to maintain a continuous instruction stream in the pipeline and to increase the chances of obtaining instructions to be executed in parallel. Most of predictors use trivial algorithms, which work with behavior information of branches stored in tables that are updated dynamically. A new approach has been investigated to replace these trivial algorithms to neural networks, with the aim to add more intelligence to branch predictors. Work on this kind of predictor is current and new studies must be realized. This work analyses the performance of branch prediction Perceptron under five different proposed models. The UNI model makes prediction with a single Perceptron that receives all branch instructions of the programs. The models TIP and END use several Perceptrons arranged in tables indexed by branch type or branch address, respectively. The models DNT and DNE have a two-level prediction mechanism and are extensions of the models TIP and AND, respectively. All prediction models were evaluated under different configurations for branch history sizes (2 up to 64), number of lines (64 up to 1024) and associativity (1 up to 16) of the Perceptron tables. In addition, different types of predictor organization where LOCAL and GLOBAL, that define the branch history distribution in analyzed Perceptron tables, and LG_AND and LG_OR, that combine LOCAL and GLOBAL outputs. The results show that two-level predictors have better performance than their one-level counterparts. Also the increase of table size using fixed associativity improves predictor performance. Moreover, the performance of the predictor increases when enlarging associativity to the same table line number. Floating-point programs have better performance than integer programs. Forward branches have better performance than backward branches. The performance attained using LG_AND and LG_OR organizations is worst than with LOCAL and GLOBAL organizations. In a general way, this work showed that the use of Perceptron in branch prediction is viable and the results are close to ones from other techniques.xiv, 152p. : il., tabs.application/pdfDisponivel em formato digitalRedes neurais (Computação)Arquitetura de computadorCiência da ComputaçãoUso de redes neurais na previsão de desvios em arquiteturas superescalaresinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALD - RIBAS, LUIZ VINICIUS MARRA.pdfapplication/pdf19081965https://acervodigital.ufpr.br/bitstream/1884/26986/1/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf650889395c7a16d488dc2d22f2c4fb3fMD51open accessTEXTD - RIBAS, LUIZ VINICIUS MARRA.pdf.txtExtracted Texttext/plain328024https://acervodigital.ufpr.br/bitstream/1884/26986/2/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf.txt650d5c34948f447d0f6038e32478a9f7MD52open accessTHUMBNAILD - RIBAS, LUIZ VINICIUS MARRA.pdf.jpgGenerated Thumbnailimage/jpeg1215https://acervodigital.ufpr.br/bitstream/1884/26986/3/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf.jpg640ec027d9554433c539442f7613ff0aMD53open access1884/269862024-03-28 14:11:24.892open accessoai:acervodigital.ufpr.br:1884/26986Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-03-28T17:11:24Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Uso de redes neurais na previsão de desvios em arquiteturas superescalares
title Uso de redes neurais na previsão de desvios em arquiteturas superescalares
spellingShingle Uso de redes neurais na previsão de desvios em arquiteturas superescalares
Ribas, Luiz Vinicius Marra
Redes neurais (Computação)
Arquitetura de computador
Ciência da Computação
title_short Uso de redes neurais na previsão de desvios em arquiteturas superescalares
title_full Uso de redes neurais na previsão de desvios em arquiteturas superescalares
title_fullStr Uso de redes neurais na previsão de desvios em arquiteturas superescalares
title_full_unstemmed Uso de redes neurais na previsão de desvios em arquiteturas superescalares
title_sort Uso de redes neurais na previsão de desvios em arquiteturas superescalares
author Ribas, Luiz Vinicius Marra
author_facet Ribas, Luiz Vinicius Marra
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Figueiredo, Mauricio Fernandes
dc.contributor.author.fl_str_mv Ribas, Luiz Vinicius Marra
contributor_str_mv Figueiredo, Mauricio Fernandes
dc.subject.por.fl_str_mv Redes neurais (Computação)
Arquitetura de computador
Ciência da Computação
topic Redes neurais (Computação)
Arquitetura de computador
Ciência da Computação
description Orientador : Maurício F. Figueiredo
publishDate 2003
dc.date.issued.fl_str_mv 2003
dc.date.accessioned.fl_str_mv 2024-03-28T17:11:24Z
dc.date.available.fl_str_mv 2024-03-28T17:11:24Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/26986
url https://hdl.handle.net/1884/26986
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponivel em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv xiv, 152p. : il., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/26986/1/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf
https://acervodigital.ufpr.br/bitstream/1884/26986/2/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/26986/3/D%20-%20RIBAS%2c%20LUIZ%20VINICIUS%20MARRA.pdf.jpg
bitstream.checksum.fl_str_mv 650889395c7a16d488dc2d22f2c4fb3f
650d5c34948f447d0f6038e32478a9f7
640ec027d9554433c539442f7613ff0a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860361876406272

Registros relacionados