Uso de redes neurais na previsão de desvios em arquiteturas superescalares
Autor(a) principal: | |
---|---|
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 |