encadré par : monsieur a. benyamina monsieur p. boulet
Post on 11-Feb-2016
39 Views
Preview:
DESCRIPTION
TRANSCRIPT
Encadré par : Monsieur A.
BENYAMINA Monsieur P. BOULET
Placement de tâches Répétitives sur une architecture
régulière embarquéePrésenté par :MOSTEFA Meriem
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound Multi Objectif
1
Calcul intensif (DSP) et applications répétitives
Problématique
Optimisation Multi-Objectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound Multi-Objectif
Placement de tâches Répétitives sur une architecture régulière embarquée 2
plan
Introduction
• Un système embarqué peut être défini comme un système électronique et informatique autonome, qui est dédié à une tâche bien précise.
• Ses ressources disponibles sont généralement limitées.
+Système embarqué
Environnement des systèmes embarqués.
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
CNA
Placement de tâches Répétitives sur une architecture régulière embarquée 3
4
Traitement SortieEntrée
Appel DSP Du fait que le type du DSP qu’on utilise par exemple (TMS320C6416) est de type à virgule fixe, donc il faut: Définir pour chaque donnée la position de la virgule, c’est à dire le nombre de bits pour les parties fractionnaires et les parties entières. Maintenir la fonctionnalité de l’algorithme Satisfaire la contrainte de précision Optimiser l’implémentation de l’algorithme
Evolution des processeurs DSP.
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
DSP
5
Estimation des paramètres en avec le
filtre de kalman ? RADAR
- Onde émise par le RADAR
- Onde réfléchie par la cible
Cible
Le Filtre de Kalman Pseudo meilleur Estimateur Au Sens de la Minimisation de l’erreur quadratique moyenne . Kalman est implémenté sur DSP. Estimer et Prédire la Trajectoire à n’importe quelle Cible .
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Le Filtre de Kalman
6
Echantillon à partir de 512 hydrophones à l’infini autour d’un sous-marin.
exemple typique d’application intensive
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
7
Illustration avant fusion
Illustration après fusion
Fusion de deux tâches répétitives
Optimisation MultiObjectif
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Différentes répétitions dans Array-Ol
8
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
illustration des différentes répétitions
Placement de tâches Répétitives sur une architecture régulière embarquée
Mécanisme de modélisation de la Factorization 1
9
Component
a3 : ComponentA
a2 : ComponentA
a1 : ComponentA
PortsPartsConnectorsPotential factorization:
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Modelisation du mecanisme de Factorization 2
10
Component
[6 ] [3 ]
a : ComponentA [3]
[2 ][ ]
«RepetitiveConnector» «RepetitiveConnector»
Repetitive Component
Factorization expressed In the context of a repetitive component
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Le composant répétitif contient une partie unique
Problématique 1
11
Q13 Q14
Graphe d’architecture
P3
logiciel logiciel «BnB»«BnB»
Placement Optimal
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
T1
T3 T4 T5 TnT2
Graphe d’application
Placement de tâches Répétitives sur une architecture régulière embarquée
SoC1 SoC2
p2
p1 ,..
,..
- Vexe d’I cycle -E cons pour cycle- file d’attente
-mode i : vexe = cycle/U tps et E Architecture HW Cible
Problématique 2
exemple rapport motif tâches/ processeurs (3 Tche. /2 Proc. )
Remarque : pour un niveau i qui est représenté par Ti le Nbre de nœuds pour chaque niveau est (2*nbre processeurs ) i .
T1
T2
T3
Placement de tâches Répétitives sur une architecture régulière embarquée
12
Problématique Flot de Conception GASPARD
13
“Y” model
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
L’optimisation multi objectif
14
L’optimisation multi-objectifs vise à optimiser simultanément plusieurs objectifs souvent
contradictoires.Objectifs:
Rechercher l’ensemble des solutions satisfaisantes.
Temps d’exécution :
:La durée d’exécution de la tâche i au sein du processeur p en mode m.
:La durée de communication entre tâche i et j placées respectivement sur les processeurs p et q.
:Si la tâche i est affectée au processeur p en mode m alors X=1 sinon X=0.
Energie consommée :
:la consommation de la tâche i affectée au processeur p au mode m. :La consommation due à la communication entre la tâche i et j affectées respectivement au processeurs p et q.
Placement de tâches Répétitives sur une architecture régulière embarquée
15
Concept général Opt{f(x)xX} Opt= Min ou Max X :ensemble des solutions réalisables
f(x) : le coût de f à l’ optimum.
Heuristiques Algorithme A*branch and boundAlgorithme basique
Exactes
Recherche tabou
Solution simple
Population des solutions
Algorithme génétique
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Front Pareto
Temps
EnergieCalcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
dominés
= Individus non dominés
Identifier le front Pareto
16
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Algorithme général
Placement de tâches Répétitives sur une architecture régulière embarquée
17
Modélisation UML
Diagramme d’Activité
Structure package
Placement de tâches Répétitives sur une architecture régulière embarquée
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
18
Diagramme de Classe :
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
19
Un Exemple d’une Plate-forme matérielle
SIMD unit avec 16 Processeurs Elémentaires
Topologie :Toroïdal 4x4 Grid Bidirectionnel ConnectionsNorth-South.East-West.
exemple de topologie toroïdal 4x4 Grid avec des connections bidirectionnelles.
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Représentation d’un élément extrait du composant matériel
GASPARD.
20
Exemple 4x4 grille cyclique de communication PEs
pe : PE [4,4]
« Hw Repetitive Component » Cyclic Grid 4x4
« Self Connector »Repetition Space Dependence = {1,0}Modulo = true
« Self Connector »Repetition Space Dependence = {1,0}Modulo = true
Composant Répétitif
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
21
Architecture DOWNSCALER
Placement de tâches Répétitives sur une architecture régulière embarquée
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
22
Exemple Encodeur H263
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Expérimentation et Résultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
23
24
Les solutions de placement non dominés du PARETO
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Archivage avec contraintes du Temps et d’Energie des solution non dominées du Pareto pour BnB Séquentiel
25
Illustration des Meilleurs Solutions trouvées en vérifiant les contraintes temporelles du Dead Line de l’application
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Séquentiel
le placement et l‘ordonnancement via Diagramme Gantt
Tps d’occupation des Processeurs(tps de calcul) = T exe .
Tps disponible Totale = La Durée d’exe * nbre Processeurs .
(avec : La durée d’exe = T fin - T debut . )
Slack Total = Tps disponible Totale - Tps d’occupation des Processeurs
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Placement de tâches Répétitives sur une architecture régulière embarquée
26
27Placement de tâches Répétitives sur une architecture régulière embarquée
Les solutions de placement qui vérifient les contraintes temporelles de Dead Line de nos résultats Expérimentaux avec le Branch and Bound Parallèle du Motif de 4 Taches.
Archivage du Pareto qui verifient les contraintes du Total Min Slack avec BnB Parallèle
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
28Placement de tâches Répétitives sur une architecture régulière embarquée
Diagramme du Gantt pour Motif 4 taches avec BnB Parallèle :
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
29Placement de tâches Répétitives sur une architecture régulière embarquée
Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Parallèle :
introduction Embarquée
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
30
BnB séquentiel
BnB parallèle
Placement de tâches Répétitives sur une architecture régulière embarquée
Etude comparative entre BnB Parallel et BnB Séquentiel
Illustration d’etude comparative entre BnB Sequentiel et BnB parallel en fonction du Temps de Recherche et le nombre de motifs executés
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
• Notre contribution pour construire un modèle comprenant les valeurs
de temps d'exécution de chaque tâche sur chaque processeur en
fonction du voltage ainsi que les performances des réseaux
d'interconnexion en fonction du volume de données transportées.
•Dans le cadre de conception et développement du logiciel où ces
valeurs sont fournies à l'algorithme Branch & Bound d'optimisation
Parallèle multicritères qui propose un placement qui représente
l’optimum théorique « exact » ou plusieurs placements intéressants par
rapport à ces performances et aussi en vérifiant le critère des contraintes
temporelles pour le choix du motif Optimal.
Perspective:• on va essayer d’Optimiser avec d’autres contraintes comme la
mémoire cache et la taille de la puce avec des Simulations réels .
Calcul Intensif (DSP) et Applications Repetitives
Problématique
Optimisation MultiObjectif
Implémentation
Experimentation et Resultat
Conclusion et perspectives
introduction Embarquée
Branch & Bound MultiObjectif
Conclusion et perspectives
31
32
Vos Questions
top related