ScholarWorks@숙명여자대학교

초록

GPU의 계산적 효율성이 알려짐에 따라 GPU를 컴퓨터 그래픽스에만 활용하는 것이 아닌 범용적인 응용에서 활용하는 GPGPU(General-Purpose computing on Graphics Processing Units) 수행이 HPC(High Performance Computing), DL(Deep Learning) 등 다양한 워크로드에서 수행된다. 이에 따라 GPU의 제한적인 memory를 효율적으로 이용하려는 연구가 활발하다. 특히 memory-divergent 워크로드의 경우 memory 사용패턴에 따라 성능이 크게 좌우될 수 있다. 본 논문에서는 memory-divergent 워크로드를 프로파일링하여, data locality를 분석하고 data locality를 객관화할 수 있도록 지수화하였다. 그리고 data locality 지수와 실제 캐시의 관계를 분석을 통해 data locality와 캐시 적중률 간에 상관관계가 존재하지만, 캐시의 제한적인 크기로 인해 접근하는 thread 수가 증가하면 그 상관관계가 약해짐을 확인하였다. 따라서 본 논문은 data locality 값을 공식화하고 그 값과 캐시간의 관계를 분석하였다.

키워드