Utilisation de méthodes statistiques pour modéliser et estimer la variabilité temporelle des temps d'exécution des programmes exécutés sur des architectures multicœurs

Using statistical methods to model and estimate the time variability of programs executed on multicore architectures

• Auteur / Autrice : Mohamed Amine Khelassi
• Direction : Eva Dokladalova
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : LIGM - Laboratoire d'informatique Gaspard-Monge
• Partenaire(s) de recherche : Equipe de recherche : LRT - Logiciels, Réseaux, Temps Réels

Mots clés

Mots clés libres

Predictibilité

Processeurs multi-coeurs

Systèmes temps-réel

Pire temps d'éxécution

Real time systems

Worst case execution time

Multicore proccessors

Predictability

Résumé

Bien que les processeurs multicœurs augmentent la puissance de calcul, les temps d'exécution de programme exécutés sur des processeurs multicœurs peuvent présenter de grandes variations entre leurs plus petites et leurs plus grandes valeurs en raison de caractéristiques telles que les multiples niveaux de caches, la communication par le biais de la mémoire partagée, etc. Cette variabilité temporelle rend l'utilisation de ces processeurs imprévisible et donc dangereuse pour les applications temps réel critiques.   L'objectif de la thèse est de traiter le problème de la variabilité temporelle de programmes exécutés sur un processeur multicœurs. Par rapport aux méthodes classiques d'estimation du pire temps d'exécution (WCET) d'un programme qui s'intéressent à l'estimation du WCET d'un programme qui a déjà été conçu, la thèse vise à proposer des règles qui permettent de maîtriser et de réduire la variabilité temporelle au niveau de la conception même du programme. L'approche est basée sur l'utilisation de méthodes statistiques et d'apprentissage automatique pour l'analyse de temps d'exécution générés par un ensemble de programmes benchmark (à construire) dans le but de déduire dans un premier temps une relation formelle entre chaque facteur de variabilité et son impact sur le temps d'exécution d'un programme puis dans un deuxième temps de proposer des conditions et des règles de composition pour plusieurs facteurs de variabilité. Enfin, des règles de programmation et d'implémentation pour maîtriser et réduire la variabilité temporelle doivent être proposées, ces règles sont à déduire des relations statistiques proposées entre facteurs de variabilité et temps d'exécution.

Although multicore processors increase the computational power, program execution times running on multicore processors can have large variations between their smallest and largest values due to features such as multiple levels of caches, communication through shared memory, etc. This temporal variability makes the use of these processors unpredictable and therefore dangerous for mission-critical real-time applications. The objective of this thesis is to address the problem of temporal variability of programs executed on a multicore processor. Compared to the classical methods for the worst-case execution time (WCET) estimation that focus on estimating the WCET of a program that has already been designed, the thesis aims at proposing rules that allow to control and reduce the temporal variability at the level of the program design itself. The approach is based on the use of statistical and machine learning methods for the analysis of execution times generated by a set of benchmark programs (to be built) in order to first deduce fa formal relationship between each variability factor and its impact on the execution time of a program and then in a second time to propose conditions and composition rules for several variability factors. Finally, programming and implementation rules to control and reduce temporal variability have to be proposed. These rules are deduced from the proposed statistical relations between variability factors and execution time.