Makine öğrenmesi metodları kullanılarak çoklu işlemci mimarisinin performans ölçümlerini tahmin etme.

TEZ8847Tez (Doktora) -- Çukurova Üniversitesi, Adana, 2012.Kaynakça (s. 83-89) var.xi, 91 s. : res. ; 29 cm.In this thesis, we develop machine learning models for predicting the performance measures of both a message passing and a distributed shared memory multiprocessor architecture interconnected by the Simultaneous Optical Multiprocessor Exchange Bus (SOME-Bus), which is a fiber-optic interconnection network. Machine learning models include multi-layer feed-forward artificial neural networks (MFANN's), support vector regression (SVR) and generalized regression neural networks (GRNN). OPNET Modeler is used to simulate the SOME-Bus multiprocessor architecture and to create the training and testing datasets. The simulation has been run under different traffic patterns including uniform, hotregion, perfect shuffle and bit-reverse for varying values of the ratio of the average channel transfer time to the average thread run time (T/R). Client-server and asynchronous traffic models are considered for the message passing protocol. Using different number of cross validations, the performance of the machine learning prediction models are evaluated using standard error of estimate (SEE), multiple correlation coefficient (R), mean absolute error (MAE), relative absolute error (RAE) and root relative square error (RRSE). It is shown that MFANN models perform better (i.e., lower SEE, MAE, RAE, RRSE and higher R) than GRNN-based, VRbased and multiple linear regression (MLR) based models for predicting the performance measures of a message passing and distributed shared memory multiprocessor architecture.Bu çalışmada, çoklu işlemciye sahip mesaj geçişi ve dağıtık ortak hafıza mimarilerinin başarım ölçütlerini tahmin eden makine öğrenmesi modelleri geliştirilmiştir. Mesaj geçişi ve dağıtık ortak hafıza mimarileri, ara bağlantı ağı olarak fiber-optik SOME-Bus 1 kullanmaktadırlar. Çalışmada kullanılan makine öğrenmesi modelleri Çoklu-Katmanlı İleri-Beslemeli Yapay Sinir Ağları (ÇKİBYSA), Destek Vektör Makineleri (DVM) ve Genelleştirilmiş Regresyon Sinir Ağları (GRSA)'dır. SOME-Bus çoklu işlemci ağının benzetimi ve ayrıca eğitim ve test veri kümelerinin elde edilmesi için OPNET Modeler kullanılmıştır. Tasarlanan benzetim modelleri, normal dağılım, yoğun bölge, mükemmel karışım ve bit dönüşümü trafikleri altında ortalama kanal iletim zamanının (T) ortalama iplik çalışma zamanına oranı (R) olan (T/R) ifadesinin değişik değerleri için koşturulmuştur. Sunucu-istemci ve asenkron trafik modelleri mesaj geçişi protokolünde kullanılmıştır. kullanılarak makine öğrenmesi tahmin modellerinin başarımı değişik sayıda çapraz doğrulama, standart tahmin hatası (STH), çoklu korelasyon katsayısı (ÇKK), ortalama mutlak hata (OMH), bağıl mutlak hata (BMH) ve kök bağıl karesel hata (KBKH) kullanılarak değerlendirilmiştir. Çalışmanın sonucunda Çoklu-Katmanlı İleri-Beslemeli Yapay Sinir Ağları ile tasarlanan model (düşük STH, OMH, BMH, KBKH ve yüksek ÇKK), GRSA tabanlı, DVM tabanlı ve Çoklu Doğrusal Regresyon (ÇDR) tabanlı modele göre mesaj geçişi ve dağıtık ortak hafıza mimarilerinin başarım ölçütlerini tahmin etmekte daha iyi sonuçlar üretmiştir.Bu çalışma Ç.Ü. Bilimsel Araştırma Projeleri Birimi tarafından desteklenmiştir. Proje No: MMF2011D8