کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6888695 | 1445075 | 2017 | 30 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Optimizing the performance of sensor network programs through estimation-based code profiling
ترجمه فارسی عنوان
بهینه سازی عملکرد برنامه های شبکه حسگر از طریق کد سازی مبتنی بر برآورد سازی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پروفیل کد بهینه سازی کامپایلر، برنامه شبکه سنسور،
ترجمه چکیده
با توسعه تکنولوژی سنسور و سیستم های جاسازی شده، ایجاد شبکه های حساس در هزینه های کم هزینه، که یک گام مهمی در تسهیل استفاده از حسگر فراگیر در آینده است، امکان پذیر می شود. یکی از چالش های عمده در توسعه برنامه های کاربردی شبکه حسگر بهبود بهره وری برنامه های در حال اجرا بر روی دستگاه های تعبیه شده محدود به قدرت است. در حالی که بهینه سازی کد تحت هدایت نمایه به طور گسترده ای به عنوان یک روش بهینه سازی کامپایلر برای بهبود عملکرد برنامه های در حال اجرا بر روی رایانه های عمومی مورد استفاده قرار گرفته است، به دلیل برخی از نقص ها، به برنامه های شبکه حسگر اعمال نشده است. در این مقاله، ما بر این نقایص غلبه میکنیم و یک رویکرد موثر در زمینه کدگذاری پرونده با استفاده از پروژهای برای برنامه های شبکه حسگر طراحی می کنیم. به طور خاص، ما اجرای اجرای برنامه های شبکه حسگر را با استفاده از ورودی های غیردسترسیانه به عنوان فرآیندهای زمان گسسته مارکو انجام می دهیم و یک رویکرد جدید به نام کد توموگرافی را پیشنهاد می کنیم تا برآورد پارامترهای مدل های مارکوف که رفتار های اجرایی دینامیک شبکه های سنسور را تنها با استفاده از پایان دادن به اطلاعات زمان بندی زمان بندی شده در نقطه شروع و پایان هر روش در کد منبع اندازه گیری می شود. پارامترهای برآورد شده توسط توموگرافی کد به کامپایلرها برای بهینه سازی قرار دادن کد ارسال می شود. نتایج ارزیابی نشان می دهد که توموگرافی کد می تواند به دقت برآورد رضایت بخش با سربار های کم پروفیل دست یابد و پس از سازماندهی مجدد قرار دادن کد براساس نتایج پروفیل سازی، احتمال پیش بینی نرخ شعبه کاهش می یابد. علاوه بر این، توموگرافی کد همچنین می تواند برای اهداف مانند تجزیه و تحلیل پس از مرگ، اشکال زدایی و پروفایل انرژی برنامه های شبکه حسگر مفید باشد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
With the development of sensor technology and embedded systems, building large-scale, low-cost sensor networks, which is a critical step to facilitating the application of pervasive sensing in the future, becomes possible. One of the major challenges in developing sensor network applications is to improve the execution efficiency of programs running on power-constrained embedded devices. While profiling-guided code optimization has been widely used as a compiler-level optimization technique for improving the performance of programs running on general-purpose computers, it has not been applied to sensor network programs due to some defects. In this paper, we overcome these defects and design a more effective profiling-guided code placement approach for sensor network programs. Specifically, we model the execution of sensor network programs taking nondeterministic inputs as discrete-time Markov processes, and propose a novel approach named Code Tomography to estimate parameters of the Markov models that reflect sensor network programs' dynamic execution behaviors by only using end-to-end timing information measured at the start and end points of each procedure in the source code. The parameters estimated by Code Tomography are fed back to compilers to optimize the code placement. The evaluation results demonstrate that Code Tomography can achieve satisfactory estimation accuracy with low profiling overhead and the branch misprediction rate can be reduced after reorganizing the code placement based on the profiling results. Besides, Code Tomography can also be useful for purposes such as post-mortem analysis, debugging and energy profiling of sensor network programs.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 42, December 2017, Pages 285-298
Journal: Pervasive and Mobile Computing - Volume 42, December 2017, Pages 285-298
نویسندگان
Lipeng Wan, Qing Cao, Wenjun Zhou,