Search

ilustraciones, tablas TLÖN es un sistema de cómputo propuesto por el grupo de investigación en redes de Telecomunicaciones Dinámicas y lenguajes de programación distribuidos de la Universidad Nacional de Colombia. El modelo que propone TLÖN es un sistema de cómputo distribuido que intenta resolver la necesidad de adaptarse a condiciones adversas en recursos, conectividad y existencia de nodos, abstraídos al plano de virtualización de una red inalámbrica tipo Ad-Hoc colaborativa de elementos móviles que comparten recursos sobre una capa física. El presente trabajo se encuentra en el marco de desarrollo de la capa de virtualización de recursos de procesamiento del sistema TLÖN. A continuación, se presenta el diseño, implementación y resultados del subsistema de virtualización de recursos de procesamiento, estableciendo los modelos y criterios de evaluación que se utilizaran para las fases de Resource Broadcasting, Matching y Scheduling teniendo en cuenta las condiciones inherentes de una red inalámbrica Ad Hoc. (Texto tomado de la fuente) TLÖN is a computing system proposed by the research group in Dynamic Telecommunication networks and distributed programming languages of the Universidad Nacional de Colombia. The model proposed by TLÖN is a distributed computing system that has the aim to solve the need to adapt to adverse conditions in resources, connectivity and existence of nodes, abstracted from the virtualization plane of a collaborative Ad-Hoc wireless network of mobile elements that share resources on a physical layer. This work is framed under the development of the virtualization layer of the processing resources of the TLÖN system. In the following chapters you will find the design, implementation, and results of the processing resources virtualization subsystem, setting the models and evaluation criteria to be used for the Resource Broadcasting, Matching, and Scheduling phases taking into account the inherent conditions of an Ad Hoc wireless network. (Text taken from source) Maestría Magíster en Ingeniería - Ingeniería de Sistemas y Computación Sistemas distribuidos

[ES] El campo relacionado con la inteligencia artificial ha supuesto una revolución tanto en la industria como en la sociedad, mejorando la calidad de vida y la productividad del trabajo. Aun así, existen ciertas áreas en las cuales los dispositivos que utilizan esta tecnología necesitan de un uso eficiente de sus componentes para hacer posible el uso de la inteligencia artificial en entornos prácticos. Por esto, el motivo de este trabajo final de grado es la optimización relativa al coste computacional de las funciones previamente creadas en OpenCL para dar soporte a los dispositivos GPUs en la aplicación HELENNA, la cual realiza el entrenamiento e inferencia de redes neuronales. Como resultado obtenemos una reducción considerable del tiempo de ejecución en las distintas redes neuronales tanto densamente conectadas como convolucionales., [EN] Artificial intelligence has been a revolution in both industry and society, improving quality of life and work productivity. But, there are certain areas in which devices that use this technology require efficient use of their components to make possible the use of artificial intelligence in real-world environments. So, the motivator for this work is the optimization of the computational cost of functions previously created in OpenCL to support GPU devices in the HELENNA application. The HELENNA application performs training and inference on neural networks. As a result of these optimizations, we obtain a considerable reduction in execution time in both fully connected and convolutional neural networks., [CA] El camp relacionat amb la intel·ligència artificial ha suposat una revolució tant en la indústria com en la societat, millorant la qualitat de vida i la productivitat del treball. Tanmateix, existeixen certes àrees en les quals els dispositius que utilitzen aquesta tecnologia necessiten un ús eficient dels seus components per a fer possible l’ús de la intel·ligència artificial en entorns pràctics. Llavors, el motiu d’aquest treball final de grau és l’optimització relativa al cost computacional de les funcions prèviament creades en OpenCL per a donar suport als dispositius GPUs en l’aplicació HELENNA, la qual realitza l’entrenament i la inferència de xarxes neuronals. Com a resultat obtenim una reducció considerable del temps d’execució de les diferents xarxes neuronals tan densament connectades com convolucionals.

La generación de modelos de regresión lineal múltiple demanda una selección exhaustiva de las variables regresoras que permiten obtener un alto nivel de precisión en las tareas de predicción. Este proceso de selección representa un alto reto algorítmico y computacional, debido a que es necesario obtener y evaluar cada uno de los posibles modelos para poder seleccionar de forma eficiente el más preciso. En este trabajo se creó un modelo de procesamiento paralelo para parametrizar modelos de regresiones lineales multivariables, utilizando arquitecturas heterogéneas: HMMMR (Heterogeneous Model for Massive Multilinear Regressions). HMMMR fue diseñado orientado a explotar los benefi cios de las capacidades de computo paralelo de GPUs mediante el uso de estructuras de datos y operaciones matriciales optimizadas para realizar cálculos en batch. El objetivo principal de HMMMR es hacer una selección de un subconjunto de predictores que presenten mejores resultados en una regresión lineal para una determinada variable objetivo. La implementación de HMMMR muestra superioridad en el tiempo de cálculo de regresiones dado que se hace un uso mas e ficiente de las capacidad de procesamiento en batch de la GPU. Para los datasets evaluados (29332215 y 46626033 regresiones con datos niveles y precipitaciones de embalses ubicados en Colombia) la implementación de HMMMR llegó a ser hasta 9.8 y 5.06 veces más rápida que la implementación en una plataforma homogénea. Disponibilidad: https://github.com/carojasq/HMMMR . The generation of multiple linear regression models demands an exhaustive selection of the return variables that allow obtaining a high level of precision in the prediction tasks. This selection process represents a high algorithmic and computational challenge, due to the fact that it is necessary to obtain and evaluate each of the possible models in order to efficiently select the most accurate one. In this work, a parallel processing model was created to parameterize multivariable linear regression models, using heterogeneous architectures: HMMMR (Heterogeneous Model for Massive Multilinear Regressions). HMMMR was designed to exploit the benefits of parallel computing capabilities of GPUs through the use of data structures and optimized matrix operations to perform batch calculations. The main objective of HMMMR is to make a selection of a subset of predictors that present better results in a linear regression for a given target variable. The implementation of HMMMR shows superiority in the regression calculation time since a more efficient use of the batch processing capacity of the GPU is made. For the datasets evaluated (29332215 and 46626033 regressions with data levels and precipitations of reservoirs located in Colombia) the implementation of HMMMR was up to 9.8 and 5.06 times faster than the implementation in a homogeneous platform. Availability: https://github.com/carojasq/HMMMR.