Tez No	İndirme	Tez Künye	Durumu
180541		Performans artırmaya yönelik paralel mimarilerin yapay sinir ağları yaklaşımı ile değerlendirilmesi / Performance designed architectures: A neural network approach Yazar:SIRMA YAVUZ Danışman: PROF.DR. OYA KALIPSIZ Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2006 111 s.
ÖZETGelişen teknolojiler ve paralel sistemlerin yaygınlaşması sayesinde performans analizi giderekartan bir gereklilik haline gelirken geleneksel yöntemler arasında oluşan boşluğu dolduracak,evrensel ve kullanımı daha kolay olan modellere ihtiyaç da artmaktadır. Bu tezin amacıözellikle haberleşme ağları üzerinde paralel çalışan kümelenmiş bilgisayarlar için yapay sinirağlarını kullanarak bir performans tahmin ve analiz yöntemi geliştirmektir.Performans tahmini alanında istatistiksel yöntemler şimdiye kadar yaygın olarak kullanılmışolmasına rağmen, yapay sinir ağlarının bu amaçla kullanımı ilk kez bu çalışmada önerilmiştir.Elde edilen sonuçlar yapay sinir ağlarının ve özellikle geri dönüşümlü ağların bu alanda başarıile kullanılabileceği yönündedir.Yapay sinir ağı modelleri, gerçek kullanıcı kodlarının kullanılmasına ve sunulan modelleringirdilerini oluşturan donanım ve yazılım parametreleri arasındaki etkileşimleri izlemeyeolanak verdiği için, karşılaştırmalı değerlendirmelerden daha sağlıklı ve detaylı sonuçlarvermektedir. Modeller, gerçeklenmelerinin kolaylığı ve modellerin oluşturulması sırasındabirtakım varsayımlara ihtiyaç bırakmaması açısından, simülasyon ve analitik yöntemlere dealternatif oluşturmaktadır.Oluşturulan yapay sinir ağı (YSA) modelleri, farklı platformlar üzerinde çalıştırılan paralelprogramların aritmetik işlem ve haberleşme performanslarını tahmin etmek için kullanılmıştır.Kullanılan modellerden ilki tek gizli katmanlı, ileri beslemeli, geri yayılımlı YSA modeliolup, sinir ağının eğitim yöntemi olarak Levenberg-Marquardt tercih edilmiştir. Tasarlananikinci model ise, beş adet içerik elemanına sahip, kısmi geri dönüşümlü Elman ağıdır veBFGS eğitim algoritması ile birlikte kullanılmıştır. Testlerde kullanılmak üzere iki ayrıuygulama seçilmiştir. Bunlardan ilki işlemciler arasında yoğun veri alışverişi gerektiren, 2-boyutlu bir Hızlı Fourier Dönüşümü (FFT) uygulamasıdır. Seçilen ikinci uygulama ise tipikbir kayan noktalı aritmetik uygulaması olarak sınıflanabilecek, Monte Carlo yönteminikullanan bir uygulamadır. YSA modellerinin eğitilmesi, testi ve doğrulanması için kullanılanveriler iki şekilde elde edilmiştir. Verilerin önemli bir kısmı seçilen paralel uygulamaların SunSparc iş istasyonu üzerinde çalıştırılması ile, diğer kısmı ise farklı donanım ve komünikasyonsistemlerinin, PACE (Performance Analysis and Characterisation Environment) yardımı ileoluşturulan modelleri kullanılarak elde edilmiştir.Anahtar Kelimeler: Yapay sinir ağları; Performans analizi; Performans değerlendirme;Paralel bilgisayarlar; Paralel hesaplamaxii
ABSTRACTThe requirements of new applications always motivate the development of new systems. Theenormous performance range offered by today?s systems adds a level of difficulty toperformance evaluation methods, which must consider the relative values and contributions ofvarious components. It is complicated to predict and validate the contributions of theseinterrelated factors only analytically. Benchmarking is a popular way but equally open tomisuse. There are few accurate performance analysis and visualization tools, however theyare usually either too complex or system dependent.PACE is one of the easy to use and reliable performance analysis toolsets. It allows users tomodel their own system and application easily and gives an accurate prediction of executiontime. Modeling user specific systems or adapting user?s own codes into PACE still involves alevel of effort.This thesis investigates the possibility of predicting performance of real applications by usingartificial neural network models. Neural networks can learn to approximate any function andbehave like associative memories by using just example data that is representative of thedesired task. The models presented here are aimed to be simple and usable in general cases.The contribution of this thesis is to present two neural network models for performanceprediction. These models can be incorporated into a characterization tool, such as PACE, orcan be used separately. They are potentially robust and the prediction results are proved to beaccurate. Although, the artificial neural networks have been used for various prediction tasks,their use in performance evaluation area is a novel approach.Keywords: Neural networks; Performance analysis; Performance evaluation; Parallelcomputers; Parallel computingxiii