بررسی تاثیر تنظیمات پارامترهای سخت افزاری بر انرژی مصرفی در الگوریتم ضرب برداری ماتریسهای تنک بر روی پردازندههای گرافیکی
محورهای موضوعی : فناوری اطلاعات و ارتباطاتکلید واژه: ضرب برداری ماتریسهای تنک, انرژی مصرفی, کارآیی, قالبهای ذخیره سازی تنک, پردازندهی گرافیکی,
چکیده مقاله :
ضرب برداری ماتریسهای تنک الگوریتمی ساده اما بخش بسیار مهمی از برنامههای جبر خطی و علمی در حوزهی ریاضی و فیزیک است و به دلیل طبیعت قابل موازی سازی آن، پردازنده- های گرافیکی یکی از گزینههای بسیار مناسب و مهم برای انتخاب بستر اجرایی آن است. در طی سالهای اخیر با توجه به تاکید محققان برای در نظر گرفتن انرژی مصرفی به عنوان یکی از اهداف اصلی طراحی در کنار کارآیی، تلاشهای بسیار کمی جهت بهبود انرژی مصرفی این الگوریتم بر روی پردازندهی گرافیکی انجام شده است. در این مقاله از منظر بهینگی مصرف انرژی در کارآیی به دست آمده، به این مسیٔله پرداخته شده است. با بهره وری از قابلیت تنظیم پیکربندی که در پردازندههای گرافیکی مدرن معرفی شده است، با بررسی آماری رفتار این الگوریتم هنگام استفاده از قالبهای مختلف ذخیره سازی ماتریس تنک و تنظیمات مختلف سخت افزاری برای بیش از 200 ماتریس نمونهی تنک، بهترین تنظیمات پیکربندی برای الگوریتم ضرب برداری ماتریس تنک با قالبهای مختلف ذخیره سازی بر روی پردازندهی گرافیکی به دست آمده است. این پیکربندی برای هر قالب ذخیره سازی، به گونهای انتخاب شده است که در تمام نمونههای بررسی شده به عنوان بهترین پیکربندی نتیجه داده باشد.
Although Sparse matrix-vector multiplication (SPMVs) algorithms are simple, they include important parts of Linear Algebra algorithms in Mathematics and Physics areas. As these algorithms can be run in parallel, Graphics Processing Units (GPUs) has been considered as one of the best candidates to run these algorithms. In the recent years, power consumption has been considered as one of the metrics that should be taken into consideration in addition to performance. In spite of this importance, to the best of our knowledge, studies on power consumptions in SPMVs algorithms on GPUs are scarce. In this paper, we investigate the effects of hardware parameters on power consumptions in SPMV algorithms on GPUs. For this, we leverage the possibility of setting the GPU’s parameters to investigate the effects of these parameters on power consumptions. These configurations have been applied to different formats of Sparse Matrices, and the best parameters are selected for having the best performance per power metric. Therefore, as the results of this study the settings can be applied in running different Linear Algebra algorithms on GPUs to obtain the best performance per power.