Predição de desempenho de aplicações CUDA utilizando aprendizado de máquina e características de pré-execução

Página do item simplificado
dc.contributor.advisor1GONZÁLEZ, Marcos Tulio Amaris
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9970287865377659pt_BR
dc.creatorSIQUEIRA, Luan Ribeiro
dc.creator.Latteshttp://lattes.cnpq.br/9752280460552113pt_BR
dc.date.accessioned2024-11-13T16:43:47Z
dc.date.available2024-11-13T16:43:47Z
dc.date.issued2024-07-11
dc.description.abstractWith the evolution of Graphics Processing Units (GPUs), parallel computing applications are becoming increasingly complex. Predicting the performance of these applications helps developers optimize their scheduling algorithms for workload distribution. In this work, machine learning models were developed and evaluated to predict the performance of CUDA applications using pre-execution features. The Ridge Regression, Random Forest, and Decision Tree models were compared across nine CUDA applications using the MAPE metric. The results show that Decision Tree achieved the lowest MAPE values, while Random Forest demonstrated consistent performance. Ridge Regression had variable performance due to its limitation in handling multicollinearity. The study emphasizes the importance of considering the specific characteristics of the application and GPU when making performance predictions.pt_BR
dc.description.resumoCom a evolução das unidades de processamento gráfico (GPU), as aplicações de computação paralela estão se tornando cada vez mais complexas. Predizer o desempenho dessas aplicações ajuda desenvolvedores a otimizar seus algoritmos escalonadores na distribuição de seus trabalhos. Neste trabalho, foram desenvolvidos e avaliados modelos de aprendizado de maquina para predizer o desempenho de aplicações CUDA utilizando características de pre-execução. Foram comparados os modelos Ridge Regression, Random Forest e Decision Tree em nove aplicações CUDA, utilizando a métrica MAPE. Os resultados mostram que o Decision Tree obteve os menores valores de MAPE, enquanto o Random Forest apresentou um desempenho consistente. Já o Ridge Regression teve desempenho variável devido a sua limitação em lidar com multicolinearidade. O estudo enfatiza a importância considerar as características específicas da aplicação e da GPU ao fazer predições de desempenhopt_BR
dc.identifier.citationSIQUEIRA, Luan Ribeiro. Predição de desempenho de aplicações CUDA utilizando aprendizado de máquina e características de pré-execução. Orientador: Marcos Tulio Amaris González. 2024. [8] f. Trabalho de Curso (Bacharelado em Engenharia da Computação ) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7423. Acesso em:pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/7423
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectDesempenhopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectGPUpt_BR
dc.subjectCUDApt_BR
dc.subjectComputação paralelapt_BR
dc.subjectPerformancept_BR
dc.subjectMachine learningpt_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 desempenho de aplicações CUDA utilizando aprendizado de máquina e características de pré-execuçãopt_BR
dc.typeTrabalho de Curso - Graduação - Artigopt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Artigo_PredicaoDesempenhoAplicacoes.pdf
Tamanho:
370.63 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório