A demanda por memória aumentou devido ao surgimento de várias aplicações, como big data, aprendizado de máquina, redes sociais, análise de grafos entre outros. A tecnologia DRAM está enfrentando problemas com escalabilidade, energia e custos, apesar de sua vantagem de baixa latência. A memória não volátil (NVM) é uma alternativa aos problemas de escalabilidade da DRAM. Embora o NVM tenha alta densidade, baixo custo e baixo consumo de energia, sua alta latência o impede de substituir a DRAM. Memórias heterogêneas como DRAM+NVM provavelmente se tornarão comuns, e o posicionamento eficiente de dados é uma importante questão de pesquisa. Esta dissertação de doutorado se concentra no gerenciamento de posicionamento de dados para aplicações de análise de grafos. Ele estuda modelos de aprendizado de máquina para prever o desempenho de aplicativos em um contexto com várias aplicações e explora opções de mapeamento de dados no nível de objeto ou bloco para uma única aplicação. A dissertação contribui para a identificação off-line de atributos de objetos que influenciam o desempenho, a implementação de um escalonador off-line no nível do chunk e a implementação de um escalonador on-line no nível do chunk.
MEMBROS DA BANCA:
Externo à Instituição - PAUL M. CARPENTER
Externo à Instituição - LUIS FILIPE NUNES QUARESMA DE OLIVEIRA
Externo à Instituição - DANIEL MOSSÉ
Externo à Instituição - ESBEL TOMÁS VALERO ORELLANA - UESC-BA
Interno - 2215121 - GEORGE MARCONI DE ARAUJO LIMA
Presidente - 2187144 - VINICIUS TAVARES PETRUCCI