[論文レビュー] Exploring Task Mappings on Heterogeneous MPSoCs using a Bias-Elitist Genetic Algorithm

Wei Quan, Andy D. Pimentel|arXiv (Cornell University)|Jun 29, 2014

Interconnection Networks and Systems参考文献 24被引用数 7

ひとこと要約

本稿では、非均質的MPSoC上の大規模タスクマッピングにおいて収束を加速するために、マケスパンおよびワークロードバランスといった分野固有のヒューリスティクスを変異および選択演算子に統合したバイアス・エリート的遺伝的アルゴリズム（BEG）を提案する。BEGアルゴリズムは、標準的な遺伝的アルゴリズムと比較して、最高品質のマッピング解を最大3.5倍速く達成し、探索時間を顕著に短縮しながら、スループット最適化において優れた性能を維持する。

ABSTRACT

Exploration of task mappings plays a crucial role in achieving high performance in heterogeneous multi-processor system-on-chip (MPSoC) platforms. The problem of optimally mapping a set of tasks onto a set of given heterogeneous processors for maximal throughput has been known, in general, to be NP-complete. The problem is further exacerbated when multiple applications (i.e., bigger task sets) and the communication between tasks are also considered. Previous research has shown that Genetic Algorithms (GA) typically are a good choice to solve this problem when the solution space is relatively small. However, when the size of the problem space increases, classic genetic algorithms still suffer from the problem of long evolution times. To address this problem, this paper proposes a novel bias-elitist genetic algorithm that is guided by domain-specific heuristics to speed up the evolution process. Experimental results reveal that our proposed algorithm is able to handle large scale task mapping problems and produces high-quality mapping solutions in only a short time period.

研究の動機と目的

• 非均質的MPSoC上での大規模タスクマッピング問題を解く際、遺伝的アルゴリズムの長時間にわたる進化の課題に対処すること。
• アプリケーション固有のヒューリスティクスを遺伝的演算子に統合することで、設計空間探索（DSE）の計算コストを低減すること。
• マケスパンおよびワークロードバランスのヒューリスティクスを用いて変異および選択をガイドすることで、収束速度と解の品質を向上させること。
• 通信を考慮したシステムレベルのシミュレーションを用いて、大規模タスクマッピング問題の効率的な探索を可能にすること。

提案手法

• BEGアルゴリズムは、マケスパンが低く、プロセッサのワークロードがバランスの取れた個体を優先するように、変異演算子に分野固有のヒューリスティクスを埋め込むことで、標準的な遺伝的アルゴリズムを強化する。
• 新しい個体の生成が探索空間の優れた領域に向かうように、最小完了時間（MCT）ヒューリスティクスを変異プロセスに統合する。
• 適応度が高く（マケスパンが低く、負荷がバランスの取れた）、かつエリート解が世代を超えて保持されるように、選択メカニズムを最適化する。
• 適応度評価は、タスク実行時間、通信コスト、リソースの競合を考慮したシステムレベルのMPSoCシミュレータを用いて実施する。
• 探索と活用のバランスを最適化するため、固定された変異確率（0.4～0.8の範囲）を採用する。
• 本手法は、進化的作業を高効率な領域に集中させることで、設計空間を暗黙的に削減し、無駄な評価を削減する。

実験結果

リサーチクエスチョン

• RQ1 分野固有のヒューリスティクスを遺伝的演算子に効果的に統合することで、非均質的MPSoC上の大規模タスクマッピングにおける収束を加速できるか？
• RQ2 マケスパンおよびワークロードバランスのヒューリスティクスの統合が、マッピング解の発見における品質と速度に与える影響は何か？
• RQ3 提案されたバイアス・エリート的遺伝的アルゴリズムは、標準的な遺伝的アルゴリズムおよび他の最先端手法と比較して、解の品質と実行時間の両面で優れているか？
• RQ4 本アルゴリズムにおいて、解の品質と収束速度の最適なトレードオフを実現する変異確率の範囲は何か？

主な発見

• BEGアルゴリズムは、標準的な遺伝的アルゴリズムと比較して3.5倍の高速化を達成し、平均実行時間を3,217秒から1,000秒未満に短縮する高品質なマッピング解を生成する。
• 変異確率を0.4～0.8の範囲に設定した場合、BEGアルゴリズムは一貫して優れたマッピング品質を達成し、高い確率で早期収束を回避する。
• 一般の遺伝的アルゴリズムおよび他のヒューリスティクスベースの手法と比較して、特にMP3やMJPEGのような大規模アプリケーションにおいて、解の品質と収束速度の両面で優れている。
• 変異プロセスにマケスパンおよびワークロードバランスのヒューリスティクスを統合することで、探索プロセスの効率が顕著に向上し、無駄な評価回数が削減される。
• 問題サイズが拡大してもBEGアルゴリズムは高い性能を維持するため、複数アプリケーションを含む複雑なタスクマッピングシナリオへのスケーラビリティを示している。
• 結果から、適切に遺伝的演算子に組み込まれた分野知識により、解の品質を損なうことなく設計空間の効果的かつ効率的な削減が可能であることが確認された。