| 000 | 04871nam a2200421 i 4500 | ||
|---|---|---|---|
| 001 | 200466388 | ||
| 003 | TR-AnTOB | ||
| 005 | 20251205143852.0 | ||
| 007 | ta | ||
| 008 | 171111s2025 xxu e mmmm 00| 0 eng d | ||
| 035 | _a(TR-AnTOB)200466388 | ||
| 040 |
_aTR-AnTOB _beng _erda _cTR-AnTOB |
||
| 041 | 0 | _atur | |
| 099 | _aTEZ TOBB FBE BİL YL’25 İZM | ||
| 100 | 1 |
_aİzmirli, Şevval _eauthor _9151099 |
|
| 245 | 1 | 0 |
_aHalis : _bçizge desen madenciliği için önbellek yakınında işlem yapan donanım-yazılım ortak tasarım hızlandırıcı / _cŞevval İzmirli; thesis advisor Oğuz Ergin. |
| 246 | 1 | 3 | _aHalis: A hardware-software co-designed near-cachee acceler for graph pattern mining |
| 264 | 1 |
_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2025. |
|
| 300 |
_axii, 34 pages : _billustrations ; _c29 cm |
||
| 336 |
_atext _btxt _2rdacontent |
||
| 337 |
_aunmediated _bn _2rdamedia |
||
| 338 |
_avolume _bnc _2rdacarrier |
||
| 502 | _aTez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Ağustos 2025 | ||
| 520 | _aÇizge Desen Madenciliği (-ing, Graph Pattern Mining, GPM) algoritmaları, çizge yapıları üzerinden anlamlı bilgiler çıkarmakta ve birçok uygulama alanı için temel yapı taşlarını oluşturmaktadır. Ancak bu algoritmaların performansları, çalışma süresini domine eden indeks eşleme (-ing, index matching) işlemleri sırasında oluşan öngörülemeyen dallanma kontrolü (-ing, hard-to-predict divergence control), önbellek kirliliği (-ing, cache pollution) ve düşük paralellenme (-ing, low parallelism) gibi nedenlerle sınırlanmaktadır. Bahsedilen sorunları çözmek için bu çalışmada, Çizge Desen Madenciliği iş yüklerini çok çekirdekli ticari işlemcilerde hızlandırmak amacıyla önbellek yakınında işlem yapan, donanım-yazılım ortak tasarımı olan Halis isimli hızlandırıcıyı önermekteyiz. Halis indeks eşleme işlemlerini son seviye önbellek (-ing, Last Level Cache) yakınında yürüterek veri hareketini ve üst seviye önbelleklerdeki (-ing, upper level caches) kirliliği azaltırken aynı zamanda dallanma kontrolünü iyileştirmekte ve paralel işlemeyi artırmaktadır. Bu amaçla Halis, ÇDM iş yüklerinde iyi performans göstermeyen donanım öngetiricilerini (-ing, hardware prefetcher) yeniden amaçlandırarak donanım öngetiricilerinde hali hazırda bulunan İçerik Adreslenebilir Bellek'leri (-ing, Content Addressable Memory, CAM) kullanmakta ve bu belleklerin verimli arama kabiliyetlerinden faydalanmaktadır. Ayrıca Halis, sanal bellek desteği de sunarak ticari işletim sistemleriyle uyumluluğu garanti etmektedir. Programlanabilir bir hızlandırıcı olarak tasarlanan Halis, bellek eşlemeli yazmaçlar (-ing, memory-mapped registers) üzerinden kontrol edilmektedir. Yapılan değerlendirmeler, Halis'in yazılım tabanlı çözümlere göre 26.9x, donanım tabanlı çözümlere göre 2.4x daha hızlı çalıştığını ve işlemcide %0.05'lik ihmal edilebilir ek alan maliyeti getirdiğini göstermektedir. | ||
| 520 | _aGraph Pattern Mining (GPM) algorithms extract meaningful information within graph structures, making them fundamental building blocks for multiple application domains. However, their performance is bottlenecked by hard-to-predict divergence control, cache pollution, and low parallelism caused by index matching operations that dominate the execution time. To address these challenges, this paper introduces Halis, a hardware-software co-designed Near-Cache Accelerator for GPM workloads on commercial multi-core CPUs. By executing index matching operations near the Last-Level Cache (LLC), Halis reduces data movement and cache pollution in upper cache levels while minimizing divergence control and enhancing parallelism. To achieve this, Halis repurposes underutilized Content Addressable Memories (CAMs) in hardware data prefetchers, taking advantage of their efficient lookup capabilities for GPM workloads. Furthermore, Halis includes virtual memory support, ensuring compatibility with commodity operating systems. Designed as a decoupled programmable accelerator, it operates via memory-mapped registers. Our evaluation demonstrates that Halis outperforms software and hardware approaches by 26.9× and 2.4× respectively, while incurring a negligible area overhead of 0.05% over the CPU baseline. | ||
| 653 | _aÇizge desen madenciliği | ||
| 653 | _aBellek hiyerarşisi | ||
| 653 | _aÖnbellek yakınında işleme | ||
| 653 | _aİçerik adreslenebilir bellek | ||
| 653 | _aGraph pattern mining | ||
| 653 | _aMemory hierarhy | ||
| 653 | _aNear-cache processing | ||
| 653 | _aContent addressable memories | ||
| 700 | 1 |
_aErgin, Oğuz _936153 |
|
| 710 |
_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078 |
||
| 942 |
_cTEZ _2z |
||
| 999 |
_c200466388 _d84600 |
||