1 / 19

Ordonnancement d’applications intensives embarquées sur GPUs

Ordonnancement d’applications intensives embarquées sur GPUs. ADDA CHAHRAZED addachahrazed@gmail.com Encadreur: Mr A.E.BENYAMINA Co-Encadreur: Mr L.Loukil et Mr P.BOULET. Plan. 1. Introduction. 2. Travaux connexes. 3. Conclusion. INTRODUCTION. 1. Introduction. Problématique:. GILR.

holland
Download Presentation

Ordonnancement d’applications intensives embarquées sur GPUs

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Ordonnancement d’applications intensives embarquées sur GPUs ADDA CHAHRAZED addachahrazed@gmail.com Encadreur: Mr A.E.BENYAMINA Co-Encadreur: Mr L.Loukil et Mr P.BOULET

  2. Plan 1. Introduction 2. Travaux connexes 3. Conclusion

  3. INTRODUCTION

  4. 1. Introduction Problématique: GILR PI PR Algorithme d’ordonnancement ? Algorithme d’ordonnancement ? CPU GPU GPGPU (Architecture Hétérogène)

  5. 1. Introduction Mes Présentations: : 5 exposés Voir le lien: AASGaspard

  6. Travauxconnexes

  7. [1]Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. 2012 système hétérogène tels que (GPU+ FAPGA+CPU) Satisfaction de deux critères (Max tps de performance, Min consommation d’énergie) ) Ordonnancement basée(liste de priorité de taches)

  8. [1]Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. 2012 Ordonnancement fonction basée sur le temps d’exécution et consommation d’énergie sous forme un mode de programmation linéaire

  9. [2]Stanley Tzeng , Brandon Lloyd , John D. Owens. A GPU Task-Parallel Model with Dependency Resolution. 2012 Calcul intensif sur GPUs Satisfaction de critère (minimiser le temps d’exécution) Ordonnancement basée(priorité de dépendance) Ordonnancement fonction basée sur DCounter.

  10. [3] Richard Membarth, Jan-Hugo Lupp, Frank Hannig, Jürgen Teich, Mario Körner, and Wieland Eckert. Dynamic Task-Scheduling and Resource Management for GPU Accelerators in Medical Imaging. 2012 Calcul intensif sur GPUs Satisfaction de critère (minimiser le temps d’exécution) Ordonnancement basée(priorité de dépendance) et LDF (Latest Deadline First ))

  11. [4]Sidi Ahmed Mahmoudi, Sébastien Fréemal, Michel Bagein, Pierre Manneback. Calcul intensif sur GPU: exemples en traitement d’images, en bioinformatique et en télécommunication. 2013 système hétérogène tels que (GPUs+CPUs) Satisfaction de deux critères (minimiser le temps de réponse ) ) Traitement d’un seul image (détection de coins et contour) Traitement de plusieurs images (détection de coins et contour) Ordonnancement basée sur (StarUP) Ordonnancement basée sur (CUDA et OpenGl)

  12. [5] N. Melab & T-V. Luong . Optimisation Parallèle Coopérative sur GPU . Equipe-Projet DOLPHIN. 2010 Calcul intensif sur GPUs Satisfaction de critère (Max tps de performance, Min consommation d’énergie) ) Ordonnancement basée(Algorithmes évolutionnaires) )

  13. [6] Thomas R. W. Scogland, Barry Rountree,Wu-chun Feng,Bronis R. de Supinski†. Heterogeneous Task Scheduling for Accelerated OpenMP. 2012 Calcul intensif sur GPUs Satisfaction de critère (Max tps de performance) Ordonnancement basée(Algorithmes génétique)

  14. 2. Travaux connexes

  15. 2. Travaux connexes

  16. Conclusion

  17. 3. Conclusion Proposition: Partie1: Commence par un graphe à un seul niveau GILR PI PR Algorithme d’ordonnancement Statique Algorithme d’ordonnancement Statique évolutionnaires (PSO et dijkstra ) Travail de Mr Aroui (Branch & Bound) GP GPU GPGPU (Architecture Hétérogène)

  18. Référence bibliographique [1]Qiang Liu and Wayne Luk2. Heterogeneous Systems for Energy Efficient Scientific Computing. School of Electronic Information Engineering, Tianjin University, 300072 Tianjin, China 2 Department of Computing, Imperial College London, SW7 2AZ London, UK. 2012 [2]Stanley Tzeng , Brandon Lloyd , John D. Owens. A GPU Task-Parallel Model with Dependency Resolution. 2012 [3] Richard Membarth, Jan-Hugo Lupp, Frank Hannig, Jürgen Teich, Mario Körner, and Wieland Eckert. Dynamic Task-Scheduling and Resource Management for GPU Accelerators in Medical Imaging. Hardware/Software Co-Design, Department of Computer Science, University of Erlangen-Nuremberg, Germany. Siemens Healthcare Sector, H IM AX, Forchheim, Germany. 2012

  19. Référence bibliographique [4]Sidi Ahmed Mahmoudi, Sébastien Fréemal, Michel Bagein, Pierre Manneback. Calcul intensif sur GPU: exemples en traitement d’images, en bioinformatique et en télécommunication. Université de Mons, Faculté Polytechnique. Service d’informatique 20, Place du Parc 7000 Mons, Belgique.2013 [5] N. Melab & T-V. Luong . Optimisation Parallèle Coopérative sur GPU . Equipe-Projet DOLPHIN. 2010 [6] Thomas R. W. Scogland, Barry Rountree,Wu-chun Feng,Bronis R. de Supinski†. Heterogeneous Task Scheduling for Accelerated OpenMP. Center for Applied Scientific Computing, Lawrence Livermore National Laboratory, Livermore, CA 94551 USA. 2012

More Related