Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina
The field of Green Computing research, which aims to make computing more sustainable and environmentally friendly, has been driven by the increasing integration of large-scale data processing and storage technologies. The growing complexity and massive volume of data from various sources has chall...
| Autor principal: | QUEIROZ, Fellipe Augusto Santana |
|---|---|
| Grau: | Trabalho de Conclusão de Curso - Graduação |
| Publicado em: |
2024
|
| Assuntos: | |
| Acesso em linha: |
https://bdm.ufpa.br/jspui/handle/prefix/6494 |
| id |
oai:https:--bdm.ufpa.br:8443:prefix-6494 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--bdm.ufpa.br:8443:prefix-64942024-01-16T14:11:57Z Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina QUEIROZ, Fellipe Augusto Santana GONZÁLEZ, Marcos Tulio Amaris http://lattes.cnpq.br/9970287865377659 Multi-thread OpenMP Machine learning Green computing Heterogeneous platforms CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO The field of Green Computing research, which aims to make computing more sustainable and environmentally friendly, has been driven by the increasing integration of large-scale data processing and storage technologies. The growing complexity and massive volume of data from various sources has challenged traditional infrastructures, leading to the exploration of multi-core platforms. Despite the significant increase in performance and energy efficiency with the use of multi-core machines, nevertheless, due to the growing demand for consumption, energy expenditure has reached high figures. In this study, we found that polynomial regression models are more effective than linear ones for predicting energy consumption, especially in complex data. In addition, CPU is the largest energy consumer, suggesting the need for optimization or the use of GPUs. We did not find a direct correlation between execution time and energy consumption, suggesting that time-consuming applications may have lower costs due to optimizations. Cluster analysis of the benchmarks indicated similar consumption patterns, useful for future optimizations. Degree 3 polynomial regression was efficient in many cases, but effectiveness varies with the amount of data, and personalized data models proved more efficient than unified approaches. O campo de pesquisa em Green Computing, que visa tornar a computação mais sustentável e ecologicamente correta, tem sido impulsionado pela crescente integração de tecnologias de processamento e armazenamento de dados em larga escala. A complexidade crescente e o volume massivo de dados provenientes de diversas fontes têm desafiado as infraestruturas tradicionais, levando à exploração de plataformas Multi-core. Apesar do significativo aumento no desempenho e na eficiência energética com a utilização das máquinas multi-core, ainda assim, devido à crescente demanda de consumo, os gastos energéticos atingiu valores elevados. Neste estudo, descobrimos que modelos de regressão polinomial são mais eficazes que os lineares para prever o consumo de energia, especialmente em dados complexos. Além de que, a CPU é o maior consumidor de energia, sugerindo a necessidade de otimização ou uso de GPUs. Não encontramos uma correlação direta entre o tempo de execução e o consumo de energia, sugerindo que aplicações demoradas podem ter gastos menores, devido a otimizações. A análises de agrupamento dos benchmarks indicaram padrões de consumo semelhantes, úteis para otimizações futuras. A regressão polinomial de grau 3 foi eficiente em muitos casos, porém a eficácia varia com a quantidade de dados, e modelos personalizados de dados se mostraram mais eficientes do que abordagens unificadas. 2024-01-04T15:44:51Z 2024-01-04T15:44:51Z 2023-12-13 Trabalho de Conclusão de Curso - Graduação QUIEROZ, Fellipe Augusto Santana. Predição de consumo energético de aplicação OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina. Orientador: Marcos Túlio Amaris González. 2023. 63 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) – Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/6494. Acesso em:. https://bdm.ufpa.br/jspui/handle/prefix/6494 Acesso Aberto Disponível na Internet via Sagitta |
| institution |
Biblioteca Digital de Monografias - UFPA |
| collection |
MonografiaUFPA |
| topic |
Multi-thread OpenMP Machine learning Green computing Heterogeneous platforms CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| spellingShingle |
Multi-thread OpenMP Machine learning Green computing Heterogeneous platforms CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO QUEIROZ, Fellipe Augusto Santana Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| topic_facet |
Multi-thread OpenMP Machine learning Green computing Heterogeneous platforms CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| description |
The field of Green Computing research, which aims to make computing more sustainable and
environmentally friendly, has been driven by the increasing integration of large-scale data processing and storage technologies. The growing complexity and massive volume of data from
various sources has challenged traditional infrastructures, leading to the exploration of multi-core
platforms. Despite the significant increase in performance and energy efficiency with the use
of multi-core machines, nevertheless, due to the growing demand for consumption, energy
expenditure has reached high figures. In this study, we found that polynomial regression models
are more effective than linear ones for predicting energy consumption, especially in complex
data. In addition, CPU is the largest energy consumer, suggesting the need for optimization or the
use of GPUs. We did not find a direct correlation between execution time and energy consumption, suggesting that time-consuming applications may have lower costs due to optimizations.
Cluster analysis of the benchmarks indicated similar consumption patterns, useful for future
optimizations. Degree 3 polynomial regression was efficient in many cases, but effectiveness
varies with the amount of data, and personalized data models proved more efficient than unified
approaches. |
| author_additional |
GONZÁLEZ, Marcos Tulio Amaris |
| author_additionalStr |
GONZÁLEZ, Marcos Tulio Amaris |
| format |
Trabalho de Conclusão de Curso - Graduação |
| author |
QUEIROZ, Fellipe Augusto Santana |
| title |
Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| title_short |
Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| title_full |
Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| title_fullStr |
Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| title_full_unstemmed |
Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| title_sort |
predição de consumo energético de aplicações openmp em máquinas multi-core usando técnicas de regressão de aprendizado de máquina |
| publishDate |
2024 |
| url |
https://bdm.ufpa.br/jspui/handle/prefix/6494 |
| _version_ |
1796836706164408320 |
| score |
11.653393 |