فایل ورد کامل LA-LLC : شناخت محدوده بین هسته ای حافظه سطح بالا جهت بهره برداری از ترافیک موجود در GPGPUs

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل LA-LLC : شناخت محدوده بین هسته ای حافظه سطح بالا جهت بهره برداری از ترافیک موجود در GPGPUs،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

نتیجه گیری
GPGPUs دارای یک الگوی ترافیکی واحد با نام many-to-few-to-many است که موجب تراکم جدی در شبکه پاسخ می شود. در این مقاله , چنین مشاهده می کنیم که ارتباط هسته به هسته ی کم مصرف می تواند این تنگنا را سبک تر سازد. به منظور استفاده از موقعیت میان هسته ای در GPGPUs , ما LA-LLC را پیشنهاد می کنیم که درخواست های حافظه را قادر می سازد تا داده را از L1s راه دور به جای LLC واکشی نماید. با استفاده از ارتباط میان هسته ای , LA-LLC , ترافیک few-to-many را به ترافیک many-to-many تبدیل کرده و بدین ترتیب , تنگنای شبکه ی پاسخ را کاهش می دهد. ارزیابی های ما نشان می دهد که LA-LLC , 31 درصد از ترافیک few-to-many را به ارتباط بین هسته ها تبدیل می نماید. این کار تاخیر دسترسی حافظه را کاهش داده و عملکرد را به صورت میانگین درصد بهبود می بخشد.

عنوان انگلیسی:LA-LLC: Inter-Core Locality-Aware Last-Level Cache to Exploit Many-to-Many Traffic in GPGPUs~~en~~

CONCLUSION

GPGPUs have a unique traffic pattern called many-to-few-to-many which causes serious congestion in the reply network. In this paper, we observe that the underutilized core-to-core communication can be leveraged to alleviate this bottleneck. To exploit intercore locality in GPGPUs, we propose LA-LLC which enables memory requests to fetch data from remote L1s instead of the LLC. By utilizing inter-core communication, LA-LLC transfers few-to-many traffic into many-to-many traffic and thereby mitigates the reply network bottleneck. Our evaluation shows that LA-LLC transforms 31 percent of the few-to-many traffic into communication between cores. This reduces memory access latency and improves performance by 21.1 percent on average.

$$en!!