Navegando por Assunto "OpenMP"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Implantação de um cluster do tipo beowulf: um laboratório para o ensino da programação paralela em ambiente não virtualizado(2019-07-11) QUARESMA, Elton Peniche; ARAÚJO, Josivaldo de Souza; http://lattes.cnpq.br/8158963767870649Com a crescente demanda por poder computacional e com o aumento de aplicações que necessitam ser executadas em um curto intervalo de tempo, tanto no meio científico, quanto no meio acadêmico, algumas simulações não podem ou não conseguem ser executadas de forma sequencial, seja pela grande quantidade de memória principal requerida ou pelo longo tempo de processamento, este trabalho apresenta como forma de solucionar essa carência computacional por meio do desenvolvimento de um Cluster Beowulf, que é sistema computacional de baixo custo, pois engloba dois ou mais computadores comuns, interconectados por uma tecnologia de rede, no qual trabalham em conjunto para executar aplicações, de tal forma que para os usuários que os utilizam tenham a impressão que há somente um único sistema respondendo a eles. Esta arquitetura foi implantada no LABCOMP-02, da Faculdade de Computação, no sentindo de aproveitar o tempo ocioso dos computadores do laboratório em alguns períodos, para paralelizar algoritmos, aumentando a eficiência e diminuindo o tempo de execução. Por fim, foram executados dois algoritmos, de baixa complexidade, utilizando as bibliotecas OpenMP e Open MPI, com o objetivo de testar seu funcionamento e eficiência, e os resultados obtidos por meio destes testes foram considerados satisfatórios.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina(2023-12-13) QUEIROZ, Fellipe Augusto Santana; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659O campo de pesquisa em Green Computing, que visa tornar a computação mais sustentável e ecologicamente correta, tem sido impulsionado pela crescente integração de tecnologias de processamento e armazenamento de dados em larga escala. A complexidade crescente e o volume massivo de dados provenientes de diversas fontes têm desafiado as infraestruturas tradicionais, levando à exploração de plataformas Multi-core. Apesar do significativo aumento no desempenho e na eficiência energética com a utilização das máquinas multi-core, ainda assim, devido à crescente demanda de consumo, os gastos energéticos atingiu valores elevados. Neste estudo, descobrimos que modelos de regressão polinomial são mais eficazes que os lineares para prever o consumo de energia, especialmente em dados complexos. Além de que, a CPU é o maior consumidor de energia, sugerindo a necessidade de otimização ou uso de GPUs. Não encontramos uma correlação direta entre o tempo de execução e o consumo de energia, sugerindo que aplicações demoradas podem ter gastos menores, devido a otimizações. A análises de agrupamento dos benchmarks indicaram padrões de consumo semelhantes, úteis para otimizações futuras. A regressão polinomial de grau 3 foi eficiente em muitos casos, porém a eficácia varia com a quantidade de dados, e modelos personalizados de dados se mostraram mais eficientes do que abordagens unificadas.