Network Improvement and Evaluation in Datacenters and Chip-Multiprocessors
Notice bibliographique
Résumé
Datacenters are vitally important in the information era in which we currently live. Datacenters are the key enabler of cloud computing, and host many important applications including web service and machine learning. To deliver superior application performance, it is imperative to carefully design and optimize networks in datacenters. we improve the network design in datacenters at two granularities. At the high level, we optimize datacenter networks to better handle collective communication and network failures. At a lower level, we propose sampled approaches to enable fast and accurate evaluation for Network-on-Chips (NoCs) that are widely used in Chip-Multiprocessors (CMPs).\nCurrent datacenters rely on IP multicast and TCP incast to support collective communication, or one-to-many and many-to-one traffic. However, they struggle to meet the latency, throughput and scalability requirements posed by modern datacenters. We present McLink and rMcLink, an efficient and scalable collective communication solution. In McLink, we distribute multicast packets in a table-free, tree-based manner. rMcLink aggregates incast packets on-the-fly as they travel towards their destination, reducing network bandwidth consumed by incast traffic. Our simulation results show that McLink reduces multicast packet delay by 16%, and rMcLink improves incast TCP flow finish time by 82%.\nDatacenter networks are subject to failures. In this work, we design a fault-tolerant routing protocol, GatewayPath. We propose a graph-partitioning based algorithm to forward packets around failures. It also allows further optimization to be applied towards shortest path or load balance. Our evaluation shows that GatewayPath improves convergence time by more than 80%; meanwhile the packet delay is on par with that of a traditional link-state fault-tolerant routing protocol.\nFor CMPs used in datacenter servers, full system simulations are widely used to evaluate their performance. Full system simulations are accurate but prohibitively slow, limiting the range and depth of design space exploration. We focus on accelerating NoC simulation via the use of sampling techniques. We propose NoCLabs and NoCPoint, two sampling methodologies utilizing statistical sampling theory and traffic phase behavior, respectively. Experimental results show that NoCLabs and NoCPoint estimate NoC performance with an average error of 7% while achieving one order of magnitude speedup.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».