Autor(es):
Penny, Wagner Ishizaka
Data: 2021
Origem: Oasisbr
Assunto(s): CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO; Computação; NoC; Approximate computing; Machine learning; Video coding; Hardware acceleration; Computação aproximada; Aprendizagem de máquina; Codificação de vídeo; Aceleração em hardware; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO; Computação; Computação; NoC; NoC; Approximate computing; Approximate computing; Machine learning; Machine learning; Video coding; Video coding; Hardware acceleration; Hardware acceleration; Computação aproximada; Computação aproximada; Aprendizagem de máquina; Aprendizagem de máquina; Codificação de vídeo; Codificação de vídeo; Aceleração em hardware; Aceleração em hardware
Descrição
Submitted by Aline Batista (alinehb.ufpel@gmail.com) on 2021-03-09T23:21:02Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Doutorado_Wagner_Penny_.pdf: 29384553 bytes, checksum: ba5822d850f5083417e0ccab8e92bcb5 (MD5)
Approved for entry into archive by Aline Batista (alinehb.ufpel@gmail.com) on 2021-03-09T23:23:36Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Doutorado_Wagner_Penny_.pdf: 29384553 bytes, checksum: ba5822d850f5083417e0ccab8e92bcb5 (MD5)
Made available in DSpace on 2021-03-09T23:23:36Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tese_Doutorado_Wagner_Penny_.pdf: 29384553 bytes, checksum: ba5822d850f5083417e0ccab8e92bcb5 (MD5) Previous issue date: 2020-12-14
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES
This thesis presents an energy-efficient NoC-based system for real-time multimedia applications employing approximate computing. The proposed video processing system, called SApp-NoC, is efficient in both energy and quality (QoS), employing a scalable NoC architecture composed of processing elements designed to accelerate the HEVC Fractional Motion Estimation (FME). SApp-NoC architecture is organized using neighbor Tiles, sized to enable scalability across distinct throughput demands - depending on video resolution and frame rate - whereas reaching real-time processing for 4K UHD videos at 120 fps. Approximate computing is deployed using four types of processing elements implemented as dedicated hardware accelerators with distinct levels of approximation, designed based on the application error resiliency analysis. Therefore, two solutions are proposed: HSApp-NoC (Heuristc-based SApp-NoC), and MLSApp-NoC (Machine Learning-based SApp-NoC). At design time, video encoder statistical behavior is used to propose algorithms aiming the tiling definition, to properly size the NoC and to instantiate and place the approximate processing elements within SApp-NoC. At run-time, our application-aware dynamic task-mapping algorithm guarantees real-time processing while reducing energy consumption with low QoS degradation. When compared to a precise solution processing 4K videos at 120 fps, HSApp-NoC and MLSApp-NoC reduce about 48.19% and 31.81% the energy consumption, at small quality reduction of 2.74% and 1.09%, respectively. A set of schedulability analysis is proposed in order to guarantee the meeting of timing constraints at typical workload scenarios. Moreover, our system design methodology is suitable to be applied to other error-resilient processing kernels targeting energy saving with high throughput requirements.
Esta tese apresenta um sistema de tempo real energeticamente eficiente, baseado em NoC, para aplicações multimídia utilizando computação aproximada. O sistema de processamento de vídeo proposto, denominado SApp-NoC, é eficiente tanto em energia quanto qualidade (QoS), empregando uma arquitetura NoC escalável composta por elementos de processamento projetados para acelerar a Estimação de Movimento Fracionária (FME) do HEVC. A arquitetura SApp-NoC é organizada usando blocos vizinhos, dimensionada para permitir escalabilidade em diversos cenários de demanda - dependendo da resolução do vídeo e da taxa de quadros - atingindo desempenho para o processamento em tempo real de vídeos UHD 4K a 120 fps. A computação aproximada é aplicada utilizando quatro tipos de elementos de processamento, implementados como aceleradores de hardware dedicados com níveis distintos de aproximação, projetados com base na resiliência a erros da aplicação. Dessa forma, duas soluções são propostas: HSApp-NoC (Heuristc-based SApp-NoC), baseada em heurísticas, e MLSApp-NoC (Machine Learning-based SApp-NoC), baseada em aprendizado de máquina. Em tempo de projeto, o comportamento estatístico do codificador de vídeo é utilizado para dividir e dimensionar a NoC adequadamente, e, também, para instanciar e posicionar os elementos de processamento aproximados na SApp-NoC. Em tempo de execução, um algoritmo de mapeamento de tarefas dinâmico baseado na aplicação garante o processamento em tempo real enquanto reduz o consumo de energia com baixa degradação de QoS. Quando comparado a uma solução precisa de processamento de vídeos 4K a 120 fps, HSApp-NoC e MLSApp-NoC são capazes de reduzir em cerca de 48,19% e 31,81% o consumo de energia, com uma pequena redução de qualidade de 2,74% e 1,09%, respectivamente. Um conjunto de análises de escalonabilidade é proposto a fim de garantir o atendimento das restrições de tempo em cenários típicos de carga de trabalho. Além disso, nossa metodologia de projeto de sistema é adequada para ser aplicada a outros kernels de processamento resilientes a erros, visando economia de energia em aplicações com alta demanda em desempenho.
