Analyse des LLSP-Prädiktors und Vergleich von Vorhersageansätzen bei OpenMP-basierten Anwendungen

In der Vergangenheit zeigte sich, dass der LLSP-Prädiktor erfolgreich in der Vorhersage von verschiedenen Anwendungscharakteristiken wie Instruktionen, Last Level Cache Misses und Energieverbrauch ist. Dabei wurde er mit einem Whitebox-Ansatz in einen Videoplayer integriert, um anwendungsspezifische Eigenschaften abzufangen und auf Grundlage dessen Vorhersagen zu machen. Um diesen Ansatz auf andere Anwendungen und Umgebungen zu übertragen, wurde nun ein Graybox-Ansatz am Beispiel der OpenMP-basierten NAS Parallel Benchmarks ausprobiert. Anstatt die Anwendung selbst zu verändern, verlinkt man sie mit einer Bibliothek, die verschiedene OpenMP-Aufrufe abfängt. Auch hier liefern die erfassten Informationen eine zuverlässige Grundlage für Prädiktionen. Zusätzlich wurde das Projekt um weitere Vorhersageansätze erweitert, insbesondere durch den Einsatz von Python-Prädiktoren aus der Scikit-Learn-Bibliothek. Diese Python-Prädiktoren erzielen ähnlich genaue Vorhersagen wie der LLSP-Prädiktor, weisen jedoch in der Online-Analyse eine deutlich höhere Latenz auf. Dadurch zeigt der LLSP-Prädiktor eine insgesamt bessere Performance.

(Verteidigung FPA)