Please use this identifier to cite or link to this item: https://bdm.ufpa.br/jspui/handle/prefix/6494
Compartilhar:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1GONZÁLEZ, Marcos Tulio Amaris-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9970287865377659pt_BR
dc.creatorQUEIROZ, Fellipe Augusto Santana-
dc.creator.Latteshttp://lattes.cnpq.br/2251341584187142pt_BR
dc.date.accessioned2024-01-04T15:44:51Z-
dc.date.available2024-01-04T15:44:51Z-
dc.date.issued2023-12-13-
dc.identifier.citationQUIEROZ, Fellipe Augusto Santana. Predição de consumo energético de aplicação OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina. Orientador: Marcos Túlio Amaris González. 2023. 63 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) – Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6494. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/6494-
dc.description.abstractThe field of Green Computing research, which aims to make computing more sustainable and environmentally friendly, has been driven by the increasing integration of large-scale data processing and storage technologies. The growing complexity and massive volume of data from various sources has challenged traditional infrastructures, leading to the exploration of multi-core platforms. Despite the significant increase in performance and energy efficiency with the use of multi-core machines, nevertheless, due to the growing demand for consumption, energy expenditure has reached high figures. In this study, we found that polynomial regression models are more effective than linear ones for predicting energy consumption, especially in complex data. In addition, CPU is the largest energy consumer, suggesting the need for optimization or the use of GPUs. We did not find a direct correlation between execution time and energy consumption, suggesting that time-consuming applications may have lower costs due to optimizations. Cluster analysis of the benchmarks indicated similar consumption patterns, useful for future optimizations. Degree 3 polynomial regression was efficient in many cases, but effectiveness varies with the amount of data, and personalized data models proved more efficient than unified approaches.pt_BR
dc.description.resumoO campo de pesquisa em Green Computing, que visa tornar a computação mais sustentável e ecologicamente correta, tem sido impulsionado pela crescente integração de tecnologias de processamento e armazenamento de dados em larga escala. A complexidade crescente e o volume massivo de dados provenientes de diversas fontes têm desafiado as infraestruturas tradicionais, levando à exploração de plataformas Multi-core. Apesar do significativo aumento no desempenho e na eficiência energética com a utilização das máquinas multi-core, ainda assim, devido à crescente demanda de consumo, os gastos energéticos atingiu valores elevados. Neste estudo, descobrimos que modelos de regressão polinomial são mais eficazes que os lineares para prever o consumo de energia, especialmente em dados complexos. Além de que, a CPU é o maior consumidor de energia, sugerindo a necessidade de otimização ou uso de GPUs. Não encontramos uma correlação direta entre o tempo de execução e o consumo de energia, sugerindo que aplicações demoradas podem ter gastos menores, devido a otimizações. A análises de agrupamento dos benchmarks indicaram padrões de consumo semelhantes, úteis para otimizações futuras. A regressão polinomial de grau 3 foi eficiente em muitos casos, porém a eficácia varia com a quantidade de dados, e modelos personalizados de dados se mostraram mais eficientes do que abordagens unificadas.pt_BR
dc.description.provenanceSubmitted by Lucas Viana Aguiar (lucasvianaaguiar@outlook.com) on 2024-01-03T17:24:20Z No. of bitstreams: 1 TCC_PredicaoConsumoEnergetico.pdf: 2834318 bytes, checksum: 28460ddbe8ef953a976f196df8fca5d8 (MD5)en
dc.description.provenanceApproved for entry into archive by Mayara Menezes (mayara@ufpa.br) on 2024-01-04T15:44:51Z (GMT) No. of bitstreams: 1 TCC_PredicaoConsumoEnergetico.pdf: 2834318 bytes, checksum: 28460ddbe8ef953a976f196df8fca5d8 (MD5)en
dc.description.provenanceMade available in DSpace on 2024-01-04T15:44:51Z (GMT). No. of bitstreams: 1 TCC_PredicaoConsumoEnergetico.pdf: 2834318 bytes, checksum: 28460ddbe8ef953a976f196df8fca5d8 (MD5) Previous issue date: 2023-12-13en
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na Internet via Sagittapt_BR
dc.subjectMulti-threadpt_BR
dc.subjectOpenMPpt_BR
dc.subjectMachine learningpt_BR
dc.subjectGreen computingpt_BR
dc.subjectHeterogeneous platformspt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titlePredição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquinapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduaçãopt_BR
Appears in Collections:Faculdade de Engenharia da Computação - FECOMP/CAMTUC

Files in This Item:
File Description SizeFormat 
TCC_PredicaoConsumoEnergetico.pdf2,77 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons