Auteur / Autrice : | Zheng Li |
Direction : | Olivier Temam |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance en 2010 |
Etablissement(s) : | Paris 11 en cotutelle avec Université étrangère |
Partenaire(s) de recherche : | autre partenaire : Université de Paris-Sud. Faculté des sciences d'Orsay (Essonne) |
Mots clés
Mots clés contrôlés
Résumé
En raison de la multi-cores, il y a une forte incitation à paralléliser des applications. Cependant, il n'y a pas de consensus sur la façon de paralléliser facilement de tels programmes, et la situation est en train de devenir critique. Pour cela, le groupe ALCHEMY de l'INRIA a proposé CAPSULE, une approche de parallélisation conditionnelle. En déléguant la division des tâches et la distribution des tâches à l'architecture ou à runtime, CAPSULE a à la fois simplifié la tâche du programmeur, et a réalisé une meilleure exploitation des ressources matérielles. Cette thèse a présenté une implémentation purement logicielle de CAPSULE, qui est basée sur les threads Posix, mais fournit des primitives simples pour le programmeur. Les résultats expérimentaux ont montré que l'implémentation logicielle est bien adaptée à multi-cores de mémoire partagée avec un petit nombre de cœurs. La thèse a également montré que l'approche de division conditionnelle pourrait améliorer la performance ainsi que la stabilité des exécutions parallèles en temps réel dans les systèmes embarqués. Si multi-cores devient many-cores, il faudra probablement adopter des architectures à mémoire physiquement distribuée. Nous avons constaté qu'un processor composé d'un grand nombre de cœurs avec une mémoire physiquement distribuée vraiment favorise un support matériel que un support logiciel pour le probing et la division. Nous avons proposé un support matériel sur lequel le contrôle de la division est uniquement basé sur des informations locales et non pas centralisé. Nos expériences montrent que cette approche de support matériel surperforme les régimes de division centrale et est plus scalable.