БАГАТОКРИТЕРІАЛЬНА ОПТИМІЗАЦІЯ ПАМ’ЯТІ В ЗАДАЧАХ МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ ДЛЯ ГІБРИДНИХ КОМП’ЮТЕРНИХ АРХІТЕКТУР
DOI:
https://doi.org/10.31319/2519-8106.2(53)2025.342456Ключові слова:
багатокритеріальна оптимізація пам’яті, еволюційно-градієнтні методи, гібридні обчислювальні архітектури, Парето-оптимізація, енергетична ефективність, NSGA-II, MOEA/DАнотація
Стаття присвячена розробленню узагальненої математичної моделі та алгоритмічного підходу до багатокритеріальної оптимізації підсистеми пам’яті у гібридних обчислювальних архітектурах на основі CPU і GPU. Метою дослідження є формування теоретичних засад для енергетично узгодженого керування пам’яттю, яке враховує взаємозалежність трьох ключових характеристик — пропускної здатності, латентності доступу та енергетичних витрат у гібридній архітектурі. Запропонована модель описує пропускний конвеєр як узгоджений динамічний процес, у якому часові, енергетичні та пропускні параметри розглядаються як взаємопов’язані критерії оптимізації. На цій основі сформульовано задачу багатокритеріальної оптимізації, розв’язком якої є множина Парето-оптимальних конфігурацій, що відображають узгоджений баланс між продуктивністю, часовими затримками та енергетичною ефективністю системи.
Запропонований еволюційно-градієнтний підхід реалізує інтеграцію глобального еволюційного пошуку з локальною стохастичною оптимізацією, забезпечуючи збалансоване дослідження простору можливих конфігурацій і точне уточнення знайдених рішень у безпосередній околиці фронту Парето. На відміну від традиційних еволюційних методів, які не враховують локальну геометрію цільового простору, розроблений алгоритм використовує апроксимацію градієнтної інформації для керованого спрямування пошуку. У випадках обмеженої кількості експериментальних спостережень ця інформація відновлюється за допомогою сурогатних моделей на основі гаусового процесу та радіальних базисних функцій, що дозволяє зберегти стійкість і збіжність оптимізаційного процесу без зниження точності моделювання. Така комбінація глобальної еволюційної евристики й локальної диференційної адаптації формує єдиний обчислювальний механізм для відтворення рівноважного компромісу між пропускною здатністю, латентністю та енергетичними витратами системи.
Експериментальна верифікація на тестовій системі Intel Xeon + NVIDIA Tesla T4 засвідчила підвищення пропускної здатності до 45 %, зниження енергоспоживання приблизно удвічі та скорочення 95-го перцентиля латентності до 0,27—0,34 мс порівняно з базовими схемами static partitioning та fixed scheduling.
Посилання
Alinezhad Chamazcoti, S., Gupta, M., Oh, H., Evenblij, T., Catthoor, F., Komalan, M.P., Kar, G.S., & Furnémont, A. (2023). Exploring Pareto-Optimal Hybrid Main Memory Configurations Using Different Emerging Memories. IEEE Transactions on Circuits and Systems I: Regular Pa-pers, 70, 733-746. DOI:10.1109/TCSI.2022.3222573
Singh, J., Naveen, B., Srivastava, S., Jagannatham, A.K., & Hanzo, L.H. (2024). Pareto Optimal Hybrid Beamforming for Short-Packet Millimeter-Wave Integrated Sensing and Communication. IEEE Transactions on Communications, 73, 4570-4585. DOI:10.1109/TCOMM.2024.3511704
Khimich, O. M., Popov, O. V., Chistyakov, O. V., et al. (2023). Adaptive Algorithms for Solv-ing Eigenvalue Problems in the Variable Computer Environment of Supercomputers. Cybernetics and Systems Analysis, 59, 480–492. DOI: 10.1007/s10559-023-00583-1
Khimich, O. M., Popov, O. V., Chistyakov, O. V., et al. (2020). A Parallel Algorithm for Solv-ing a Partial Eigenvalue Problem for Block-Diagonal Bordered Matrices. Cybernetics and Sys-tems Analysis, 56, 913–923. DOI: 10.1007/s10559-020-00311-z
Symonov, D., Symonov, Y. (2024). Methods for selecting models of functioning of multicompo-nent information and environmental systems. Scientific Journal «Mathematical Modeling», Vol. 1, No 50, P. 57-63. DOI: 10.31319/2519-8106.1(50)2024.304943
Ryu, K., & Kim, W. (2021). Multi-Objective Optimization of Energy Saving and Throughput in Heterogeneous Networks Using Deep Reinforcement Learning. Sensors, 21(23), 7925. DOI: 10.3390/s21237925
Li, Y., & Gao, M. (2024). Hydrogen: Contention-Aware Hybrid Memory for Heterogeneous CPU-GPU Architectures. SC24: International Conference for High Performance Computing, Networking, Storage and Analysis, GA, USA, 1-15. DOI: 10.1109/SC41406.2024.00017
Eichfelder, G. (2021). Twenty years of continuous multiobjective optimization in the twenty-first century. EURO J. Comput. Optim., 9, 100014. DOI: 10.1016/j.ejco.2021.100014
Wu, J., Lu, W., Yan, G., & Li, X. (2022). Portrait: A holistic computation and bandwidth bal-anced performance evaluation model for heterogeneous systems. Sustain. Comput. Informatics Syst., 35, 100724. DOI:10.1016/j.suscom.2022.100724
Li, R., Hanindhito, B., Yadav, S., Wu, Q., Kavi, K., Mehta, G., Yadwadkar, N.J., & John, L.K. (2025). Performance Implications of Pipelining the Data Transfer in CPU-GPU Heterogeneous Systems. ACM Transactions on Architecture and Code Optimization. DOI: 10.1145/3746231
Lemeire, J., Cornelis, J.G., & Konstantinidis, E. (2022). Analysis of the analytical performance models for GPUs and extracting the underlying Pipeline model. J. Parallel Distributed Comput., 173, 32-47. DOI:10.2139/ssrn.4059952
Vijai, P., & P., B.S. (2025). A hybrid multi-objective optimization approach With NSGA-II for feature selection. Decision Analytics Journal. Vol. 14, 100550. DOI: 10.1016/j.dajour.2025.100550
Kanazaki, M., & Toyoda, T. (2023). Improved Solution Search Performance of Constrained MOEA/D Hybridizing Directional Mating and Local Mating. Proceedings of the 2023 7th Interna-tional Conference on Intelligent Systems, Metaheuristics & Swarm Intelligence. 44 – 49. DOI: 10.1145/3596947.3596955
Hairi, F., Yang, J., Zhou, T., Yang, H., Dong, C., Yang, F., Momma, M., Gao, Y., & Liu, J. (2025). Enabling Pareto-Stationarity Exploration in Multi-Objective Reinforcement Learning: A Multi-Objective Weighted-Chebyshev Actor-Critic Approach. ArXiv, abs/2507.21397.
Alinezhad Chamazcoti S., Gupta M., Oh H., Evenblij T., Catthoor F., Komalan M. P., Kar G. S., Furnémont A. Exploring Pareto-optimal hybrid main memory configurations using different emerging memories. IEEE Transactions on Circuits and Systems I: Regular Papers, 2023, vol. 70, pp. 733–746. DOI: 10.1109/TCSI.2022.3222573.
Singh J., Naveen B., Srivastava S., Jagannatham A. K., Hanzo L. H. Pareto optimal hybrid beamforming for short-packet millimeter-wave integrated sensing and communication. IEEE Transactions on Communications, 2024, vol. 73, pp. 4570–4585. DOI: 10.1109/TCOMM.2024.3511704.
Khimich O. M., Popov O. V., Chistyakov O. V. та ін. Adaptive algorithms for solving eigenval-ue problems in the variable computer environment of supercomputers. Cybernetics and Systems Analysis, 2023, vol. 59, pp. 480–492. DOI: 10.1007/s10559-023-00583-1.
Khimich O. M., Popov O. V., Chistyakov O. V. та ін. A parallel algorithm for solving a partial eigenvalue problem for block-diagonal bordered matrices. Cybernetics and Systems Analysis, 2020, vol. 56, pp. 913–923. DOI: 10.1007/s10559-020-00311-z.
Symonov D., Symonov Y. Methods for selecting models of functioning of multicomponent in-formation and environmental systems. Scientific Journal «Mathematical Modeling», 2024, vol. 1, no. 50, pp. 57–63. DOI: 10.31319/2519-8106.1(50)2024.304943.
Ryu K., Kim W. Multi-objective optimization of energy saving and throughput in heterogeneous networks using deep reinforcement learning. Sensors, 2021, vol. 21, no. 23, 7925. DOI: 10.3390/s21237925.
Li Y., Gao M. Hydrogen: contention-aware hybrid memory for heterogeneous CPU–GPU archi-tectures. Proceedings of SC24: International Conference for High Performance Computing, Net-working, Storage and Analysis, GA, USA, 2024, pp. 1–15. DOI: 10.1109/SC41406.2024.00017.
Eichfelder G. Twenty years of continuous multiobjective optimization in the twenty-first century. EURO Journal on Computational Optimization, 2021, vol. 9, 100014. DOI: 10.1016/j.ejco.2021.100014.
Wu J., Lu W., Yan G., Li X. Portrait: a holistic computation and bandwidth balanced perfor-mance evaluation model for heterogeneous systems. Sustainable Computing: Informatics and Systems, 2022, vol. 35, 100724. DOI: 10.1016/j.suscom.2022.100724.
Li R., Hanindhito B., Yadav S., Wu Q., Kavi K., Mehta G., Yadwadkar N. J., John L. K. Per-formance implications of pipelining the data transfer in CPU–GPU heterogeneous systems. ACM Transactions on Architecture and Code Optimization, 2025. DOI: 10.1145/3746231.
Lemeire J., Cornelis J. G., Konstantinidis E. Analysis of the analytical performance models for GPUs and extracting the underlying pipeline model. Journal of Parallel and Distributed Compu-ting, 2022, vol. 173, pp. 32–47. DOI: 10.2139/ssrn.4059952.
Vijai P., P. B. S. A hybrid multi-objective optimization approach with NSGA-II for feature selec-tion. Decision Analytics Journal, 2025, vol. 14, 100550. DOI: 10.1016/j.dajour.2025.100550.
Kanazaki M., Toyoda T. Improved solution search performance of constrained MOEA/D hybrid-izing directional mating and local mating. Proceedings of the 2023 7th International Conference on Intelligent Systems, Metaheuristics & Swarm Intelligence, 2023, pp. 44–49. DOI: 10.1145/3596947.3596955.
Hairi F., Yang J., Zhou T., Yang H., Dong C., Yang F., Momma M., Gao Y., Liu J. Enabling Pareto-stationarity exploration in multi-objective reinforcement learning: a multi-objective weighted-Chebyshev actor-critic approach. arXiv preprint, 2025, arXiv:2507.21397.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
a. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
b. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
c. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
