تحلیل تاثیر تغییر فرکانس بر روی زمان اجرای برنامه ها قبل از اجرای آنها

با توجه به مسائل گفته شده، مسئله ی پیش بینی زمان، به این صورت فرمول بندی می شود، برای به دست آوردن مدلی که بتواند میزان تغییرات زمان اجرای برنامه ها را در ازاء رفتن از یک فرکانس به فرکانس دیگر پیش بینی کند می بایست ابتدا داده های لازم برای آموزش مدل را جمع آوری کنیم. به دلیل آنکه زمان اجرای یک برنامه به مشخصات ماشینی که این برنامه را اجرا می کند، وابستگی زیادی دارد، ما باید با ابزاری کار کنیم تا بتوان با استفاده از آن برنامه ها را تحلیل کرده و مشخصه های مستقل از معماری مربوط به آنها را به عنوان داده های آموزشی و ورودی مدل جمع آوری کنیم و در نتیجه مدل تحلیل زمان اجرایی را ارائه دهیم که روی هر سیستمی جواب دهد. در نتیجه لازم است تا ابتدا با استفاده از روش نرم افزاری pin بتوان برنامه های محک را مورد تحلیل قرار داد. همان طور که در بخش های قبل بیان شد، آن چه باعث می شود که برنامه ها در قبال تغییر فرکانس واکنش های متفاوتی داشته باشند، ماهیت آن ها به لحاظ کار با حافظه و داده ها است. به عبارتی برنامه هایی که کمتر با داده ها سروکار داشته و بیشتر زمان آن ها صرف پردازش توسط پردازنده می شوند بسیار حساس به تغییرات فرکانس می باشند و زمان اجرای آن ها با شدت بیشتری با کاهش فرکانس، افزایش می یابد. تاکنون در کارهای گذشته معیارهای متفاوتی بیان شده تا به نوعی گویای این ماهیت برنامه ها باشد مثل تعداد عدم اصابت های حافظه نهان و یا تعداد سیکل های کار با حافظه به کل سیکل های پردازشی برنامه که البته این معیارها در زمان اجرای برنامه ها مشخص و قابل محاسبه هستند. از آنجایی که در این تحقیق می خواهیم مدلی داشته باشیم که تغییرات در زمان اجرای برنامه ها را قبل از شروع به کار آن ها در فرکانس های متفاوت پیش بینی کند لذا در اولین و مهم ترین گام می بایست پارامترهایی را تعریف کنیم تا هم به خوبی گویای تنگنای محاسباتی و یا تنگنای حافظه برنامه ها باشند و هم قبل از شروع به اجرای برنامه ها بتوان آنها را محاسبه و تعیین نمود (و یا به عبارت دیگر در دسترس باشند). حال با استفاده از ابزار نوشته شده، برنامه های معیار مختلف را مورد بررسی قرار می دهیم و ویژگی های هر برنامه را جهت محاسبه پارامترهای تعریف شده که مورد نیاز هستند، به طور جداگانه ضبط می کنیم. سپس از آن جایی که می بایست برخی از ویژگی های ماشین را نیز در نظر بگیریم، برنامه های معیار را بر روی ماشینی که به لحاظ تعداد هسته های پردازنده، حجم حافظه نهان و میزان حافظه اصلی، مشخص می باشد، اجرا می کنیم و زمان اجرای آن ها را اندازه گیری و ثبت می نماییم. این فرایند را برای تک تک فرکانس های ماشین مورد نظرمان تکرار کرده و اطلاعات را به دست می آوریم. به این ترتیب پایگاه داده ای داریم شامل ویژگی های ماهیتی برنامه های مختلف معیار (مانند چگالی نوع دستورات برنامه ها و یا میزان محلیت دسترسی به حافظه و ...)، زمان اجرای آن ها بر روی ماشین مورد نظر در فرکانس های مختلف و غیره. با استفاده از این پایگاه داده و یک روش یادگیری می توان به مدلی دست یافت که بتواند از این پس برای هر برنامه ورودی میزان تغییرات زمان اجرای آن را در ازاء سوئیچ بین فرکانس های متفاوت به دست آورد. تنها کافی است تا با یک پیش پردازش اولیه مقدار پارامتر های ورودی مدل برای آن برنامه محاسبه و ویژگی های ماشین میزبان نیز مورد توجه قرار گیرد. جمع بندی و نتیجه گیری در این تحقیق، معیارهای مختلفی در راستای پیش بینی تغییرات زمان اجرا بررسی شده اند. برای ادامه، از این قسمت هم فراتر رفته و یک مدل تحلیل زمان اجرای جدیدی مبتنی بر مشخصه های off-line و مستقل از معماری پیشنهاد شده است که میزان تنگنای محاسباتی یک برنامه را قبل از اجرای آن تشخیص می دهد و در نتیجه می تواند تغییرات زمان اجرای برنامه را در فرکانس دیگری پیشبینی کند. این مدل جدید کنترل سخت و fine-grainای را بر روی دسته بندی برنامه ها ارائه می دهد و برای پیاده سازی ساده است. انجام این تحقیق از چند جنبه دارای نوآوری می باشد. ابتدا خود این مدل که می تواند قبل از اجرای برنامه ها در مورد تاثیر پذیری آنها از تغییر فرکانس حرف بزند. در کارهای گذشته روشی وجود نداشت که بتواند قبل از شروع به اجرای برنامه در مورد تغییر زمان اجرای آنها در ازای تغییر فرکانس قضاوت و پیش بینی کند. وجود این قابلیت می تواند برای افزایش کارایی سیستمهای بزرگ و توزیع شده که از ماشین های مختلفی بهره برده و برنامه های متنوعی را اجرا می کنند بسیار مفید باشد. جنبه دیگری از نوآوری روش، تعریف پارامتری است که گویای میزان وابستگی به حافظه و یا میزان وابستگی به cpu مربوط به برنامه، می باشد و به کمک ابزار تجهیز کد pin قابل محاسبه خواهد بود. در کارهای قبلی از آنجایی که در زمان اجرای برنامه ها (on-line) عمل می کردند محاسبه مقدار هر معیاری ممکن بوده است اما در این کار به دلیل آنکه هدف کار تحلیل قبل از شروع اجرا می باشد، تعریف این معیار و قابل محاسبه بودن آن از اهمیت بالایی برخوردار است. این نکته قابل ذکر هست که با توجه به تعریف پارامترهای مستقل از معماری مربوط به برنامه ها توسط ابزار تجهیز کد pin که رفتار یک برنامه را در یک رفتار سیستمی، مشخص می کنند، این مدل تحلیل روی هر ماشینی جواب می دهد و در نتیجه این مدل می تواند برای بقیه بارهایکاری و ماشین ها استفاده شود. این برنامه جدید تنها یکبار پیش پردازش شده و بعد از آن می توان آن را چندین بار بر روی سیستم های مختلف اجرا کرد. در این تحقیق همچنین روش دیگری نیز با این مدل بدست آمده، مقایسه شده است. بر این اساس، با ابزار جاری و بکار گیری آن ، نتایج خوبی در مقایسه با روش دیگر در دسته بندی برنامه ها بدست آمده است. این روش جدید بر اساس پیش بینی معیار دسته بندی قبل از اجرای برنامه ها می باشد، در صورتیکه روش دیگر بدست آوردن این معیار را در زمان اجرای برنامه ها انجام می دهد و با مشاهده نزدیک بودن نتایج بدست آمده از روش جدید با نتایج این روش، به این نتیجه می رسیم که کار تخمین انجام شده با این که روشی مبتنی بر اندازه گیری off-line است، برآورد خوبی را از این معیار دسته بندی داراست.