ERPOT: A quad-criteria scheduling heuristic to optimize the execution time, failure rate, power consumption and temperature in multicores
ERPOT: Une heuristique d’ordonnancement quadri-critère pour optimiser le temps d’exécution, le taux de défaillance, la puissance électrique et la température sur les multi-cœurs
Résumé
We address the problem of computing a static schedule of a DAG of tasks onto an multicore architecture, with the goal of optimizing four criteria: the execution time, the failure rate, the maximum power consumption, and the peak temperature. We propose two methods. The first is a ready list scheduling heuristic called ERPOT (Execution time, failure Rate, POwer consumption and Temperature): it builds a static schedule of the given DAG of tasks onto the given
multicore such that its failure rate, power consumption, and temperature remain below three given thresholds, and such that its total execution time is as low as possible. ERPOT replicates actively the tasks to decrease the failure rate, uses Dynamic Voltage and Frequency Scaling to decrease the power consumption, and inserts cooling times to control the peak temperature. The second method uses an Integer Linear Programming (ILP) program to compute an optimal schedule. We advocate that, when one wants to optimize multiple criteria, it makes more sense to build a set
of solutions, each one corresponding to a different tradeoff between those criteria, rather than to build a single solution. This is all the more true when the criteria are antagonistic, which is the case here: for instance, improving the failure rate requires to add some redundancy in the schedule (in our case spatial redundancy), which penalizes the execution time. For this reason, we use ERPOT to build a Pareto front in the 4D space (exec. time, fail. rate, power, temp.), by varying the three thresholds on the failure rate, power, and temperature. Our experimental comparisons show that the schedules produced by ERPOT are on average only 10% worse than the optimal schedules computed by our ILP program, and that ERPOT outperforms the PowerPerf-PET heuristic from the literature by at least 35%.
Nous nous attaquons au problème d’ordonnancer statiquement un DAG de tâches sur un processeur multi-coeurs avec comme objectif l’optimisation de quatre critères: le temps d’exécution, le taux de défaillance, la puissance électrique, et la température de crête. Nous proposons deux méthodes. La première est une heuristique de liste appelée ERPOT (Execution time, failure Rate, POwer consumption and Temperature): elle construit un ordonnancement statique du DAG donné sur le multi-coeurs donné de telle sorte que son taux de défaillance, sa puissance électrique et sa température restent au dessous de trois seuils donnés, et que son temps d’exécution soit le plus petit possible. ERPOT utilise la réplication active des tâches pour réduire le taux de défaillance, utilise l’Ajustement Dynamique de la Fréquence et de la Tension (ADFT) pour réduire la puissance électrique, et insère des intervalles d’inactivité pour contrôler la température. La seconde méthode repose sur un Programme Linéaire en Nombres Entiers (PLNE) pour construire un ordonnancement optimal. Dès que l’utilisateur veut optimiser plusieurs critères, nous préconisons de produire un ensemble de solutions, chacune d’entre elles correspondant à un différent compromis entre ces critères, plutôt que de ne produire qu’une seule solution. Ceci est d’autant plus vrai quand les critères sont antagonistes, ce qui est le cas ici: ainsi, améliorer le taux de défaillance requiert d’ajouter une certaine forme de redondance dans l’ordonnancement (dans notre cas de la redondance spatiale), ce qui pénalise le temps d’exécution. Pour cette raison, nous utilisons ERPOT pour construire un front de Pareto dans l’espace 4D (temps, défaillance, puissance, température), en faisant varier les trois seuils sur le taux de défaillance, la puissance électrique, et la température. Nos évaluations expérimentales montrent que les ordonnancement générés par ERPOT sont en moyenne 10% plus longs que ceux optimaux produits par notre PLNE, et en moyenne 35% plus courts que ceux générés par l’heuristique PowerPerf-PET tirée de la littérature.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...