Encadré par : Monsieur A. BENYAMINA Monsieur P. BOULET

1. introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Placement de tâches Répétitives sur une architecture régulière embarquée Problématique Optimisation MultiObjectif Branch & Bound Multi Objectif Présenté par : MOSTEFA Meriem Implémentation Experimentation et Resultat Conclusion et perspectives Encadré par : Monsieur A. BENYAMINA Monsieur P. BOULET

2. plan • introduction Embarquée • Calcul intensif (DSP) et applications répétitives • Problématique • Optimisation Multi-Objectif • Branch & Bound Multi-Objectif • Implémentation • Experimentation et Resultat • Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

3. Introduction introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives • Un système embarqué peut être défini comme un système électronique et informatique autonome, qui est dédié à une tâche bien précise. • Ses ressources disponibles sont généralement limitées. Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat CNA Conclusion et perspectives + Système embarqué Environnement des systèmes embarqués. Placement de tâches Répétitives sur une architecture régulière embarquée

4. DSP introduction Embarquée Entrée Traitement Sortie Calcul Intensif (DSP) et Applications Repetitives Appel DSP Problématique Optimisation MultiObjectif • Du fait que le type du DSP qu’on utilise par exemple (TMS320C6416) est de type à virgule fixe, donc il faut: • Définir pour chaque donnée la position de la virgule, c’est à dire le nombre de bits • pour les parties fractionnaires et les parties entières. • Maintenir la fonctionnalité de l’algorithme • Satisfaire la contrainte de précision • Optimiser l’implémentation de l’algorithme Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Evolution des processeurs DSP. Placement de tâches Répétitives sur une architecture régulière embarquée

5. Le Filtre de Kalman • Le Filtre de Kalman Pseudo meilleur Estimateur • Au Sens de la Minimisation de l’erreur quadratique moyenne . • Kalman est implémenté sur DSP. • Estimer et Prédire la Trajectoire à n’importe quelle Cible . introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Cible Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif - Onde émise par le RADAR Implémentation Experimentation et Resultat - Onde réfléchie par la cible Conclusion et perspectives Estimation des paramètres en avec le filtre de kalman ? RADAR Placement de tâches Répétitives sur une architecture régulière embarquée

6. exemple typique d’application intensive introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Echantillon à partir de 512 hydrophones à l’infini autour d’un sous-marin. Placement de tâches Répétitives sur une architecture régulière embarquée

7. Fusion de deux tâches répétitives introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Illustration avant fusion Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Illustration après fusion Placement de tâches Répétitives sur une architecture régulière embarquée

8. Différentes répétitions dans Array-Ol introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives illustration des différentes répétitions Placement de tâches Répétitives sur une architecture régulière embarquée

9. a3 : ComponentA a2 : ComponentA a1 : ComponentA Mécanisme de modélisation de la Factorization 1 introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Component Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Potential factorization: Ports Parts Connectors Placement de tâches Répétitives sur une architecture régulière embarquée

10. Modelisation du mecanisme de Factorization 2 introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Repetitive Component Component Problématique Optimisation MultiObjectif Factorization expressed In the context of a repetitive component Branch & Bound MultiObjectif Implémentation «RepetitiveConnector» «RepetitiveConnector» a : ComponentA [3] Experimentation et Resultat [2 ] [3 ] [6 ] [ ] Conclusion et perspectives Le composant répétitif contient une partie unique Placement de tâches Répétitives sur une architecture régulière embarquée

11. Problématique 1 introduction Embarquée T1 Calcul Intensif (DSP) et Applications Repetitives Q13 Q14 T2 Problématique T3 T4 T5 Tn Optimisation MultiObjectif SoC2 Graphe d’application Branch & Bound MultiObjectif Graphe d’architecture Implémentation p1 Experimentation et Resultat ,.. logiciel «BnB» p2 Conclusion et perspectives • - Vexe d’I cycle • E cons pour cycle • file d’attente ,.. P3 -mode i : vexe =cycle/U tps et E Architecture HW Cible SoC1 Placement Optimal Placement de tâches Répétitives sur une architecture régulière embarquée

12. Problématique 2 T1 T2 T3 exemple rapport motif tâches/ processeurs (3 Tche. /2 Proc. ) Remarque: pour un niveau i qui est représenté par Ti le Nbre de nœuds pour chaque niveau est (2*nbre processeurs )i . Placement de tâches Répétitives sur une architecture régulière embarquée

13. Problématique Flot de Conception GASPARD introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives “Y” model Placement de tâches Répétitives sur une architecture régulière embarquée

14. L’optimisation multi objectif introduction Embarquée L’optimisation multi-objectifs vise à optimiser simultanément plusieurs objectifs souvent contradictoires. Objectifs: Rechercher l’ensemble des solutions satisfaisantes. Calcul Intensif (DSP) et Applications Repetitives Temps d’exécution : Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif :La durée d’exécution de la tâche i au sein du processeur p en mode m. :La durée de communication entre tâche i et j placées respectivement sur les processeurs p et q. Implémentation :Si la tâche i est affectée au processeur p en mode m alors X=1 sinon X=0. Experimentation et Resultat Conclusion et perspectives Energie consommée : Placement de tâches Répétitives sur une architecture régulière embarquée :la consommation de la tâche i affectée au processeur p au mode m. :La consommation due à la communication entre la tâche i et j affectées respectivement au processeurs p et q.

15. Méthodes de résolution introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Exactes Heuristiques • Algorithme A* • branch and bound • Algorithme basique Problématique Optimisation MultiObjectif Solution simple Population des solutions Branch & Bound MultiObjectif Implémentation • Recherche • tabou Experimentation et Resultat • Algorithme génétique Conclusion et perspectives fonction Multi-objective Concept général Opt{f(x)xX} Opt= Min ou Max X :ensemble des solutions réalisables f(x) : le coût de f à l’ optimum. Placement de tâches Répétitives sur une architecture régulière embarquée

16. Front Pareto Energie introduction Embarquée dominés Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Temps Conclusion et perspectives = Individus non dominés Identifier le front Pareto Placement de tâches Répétitives sur une architecture régulière embarquée

17. Algorithme général introduction Embarquée Mise Algorithme de placement des tâches répétitives Début ; Introduire le nombre de PE, S et la matrice de topologie ; Introduire les caractéristiques de l’architecture et des tâches répétitives ; Motiftaches = 0 ; totalslack =  ∞ ; Pour N=S à N=S*S faire utiliser la méthode exacte pour trouver le placement au mode max des processeurs Utiliser l’algorithme d’optimisation des communications calculer totalNslack Si totalNslack< totalslackalorstotalslack= totalNslack et Motiftaches= N sinon rien fsi fin pour faire changer le mode des processeurs Calculer pour chaque placement la durée d’exécution et l’énergie Retenir le front Pareto ou les solutions non dominées Fin pour Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

18. Modélisation UML introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Structure package Experimentation et Resultat Conclusion et perspectives Diagramme d’Activité Placement de tâches Répétitives sur une architecture régulière embarquée

19. Diagramme de Classe : introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

20. Un Exemple d’une Plate-forme matérielle introduction Embarquée SIMD unit  avec 16 Processeurs Elémentaires Topologie : Toroïdal 4x4 Grid Bidirectionnel Connections North-South. East-West. Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Représentation d’un élément extrait du composant matériel GASPARD. Experimentation et Resultat Conclusion et perspectives exemple de topologie toroïdal 4x4 Grid avec des connections bidirectionnelles. Placement de tâches Répétitives sur une architecture régulière embarquée

21. Composant Répétitif introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif « Hw Repetitive Component » Cyclic Grid 4x4 Branch & Bound MultiObjectif « Self Connector » Repetition Space Dependence = {1,0} Modulo = true Implémentation Experimentation et Resultat pe : PE [4,4] Conclusion et perspectives « Self Connector » Repetition Space Dependence = {1,0} Modulo = true Exemple 4x4 grille cyclique de communication PEs Placement de tâches Répétitives sur une architecture régulière embarquée

22. Architecture DOWNSCALER introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

23. Exemple Encodeur H263 introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Expérimentation et Résultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

24. Les solutions de placement non dominés du PARETO Archivage avec contraintes du Temps et d’Energie des solution non dominées du Pareto pour BnB Séquentiel introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

25. Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Séquentiel introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Illustration des Meilleurs Solutions trouvées en vérifiant les contraintes temporelles du Dead Line de l’application Placement de tâches Répétitives sur une architecture régulière embarquée

26. le placement et l‘ordonnancement via Diagramme Gantt introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Tps d’occupation des Processeurs(tps de calcul) =  T exe . Tps disponible Totale = La Durée d’exe * nbre Processeurs . (avec : La durée d’exe = T fin - T debut . ) Slack Total = Tps disponible Totale - Tps d’occupation des Processeurs Placement de tâches Répétitives sur une architecture régulière embarquée

27. Archivage du Pareto qui verifient les contraintes du Total Min Slack avec BnB Parallèle introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Les solutions de placement qui vérifient les contraintes temporelles de Dead Line de nos résultats Expérimentaux avec le Branch and Bound Parallèle du Motif de 4 Taches. Placement de tâches Répétitives sur une architecture régulière embarquée

28. Diagramme du Gantt pour Motif 4 taches avec BnB Parallèle : introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

29. Archivage du Pareto avec contraintes du Temps et d’Energie en vérifiant les contraintes temporelles pour BnB Parallèle : introduction Embarquée introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Placement de tâches Répétitives sur une architecture régulière embarquée

30. Etude comparative entre BnB Parallel et BnB Séquentiel introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif BnB séquentiel BnB parallèle Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives Illustration d’etude comparative entre BnB Sequentiel et BnB parallel en fonction du Temps de Recherche et le nombre de motifs executés Placement de tâches Répétitives sur une architecture régulière embarquée

31. Conclusion et perspectives • Notre contribution pour construire un modèle comprenant les valeurs de temps d'exécution de chaque tâche sur chaque processeur en fonction du voltage ainsi que les performances des réseaux d'interconnexion en fonction du volume de données transportées. • Dans le cadre de conception et développement du logiciel où ces valeurs sont fournies à l'algorithme Branch & Bound d'optimisation Parallèle multicritères qui propose un placement qui représente l’optimum théorique « exact » ou plusieurs placements intéressants par rapport à ces performances et aussi en vérifiant le critère des contraintes temporelles pour le choix du motif Optimal. • Perspective: • on va essayer d’Optimiser avec d’autres contraintes comme la mémoire cache et la taille de la puce avec des Simulations réels . introduction Embarquée Calcul Intensif (DSP) et Applications Repetitives Problématique Optimisation MultiObjectif Branch & Bound MultiObjectif Implémentation Experimentation et Resultat Conclusion et perspectives

32. Merci pour votre Attention

33. Vos Questions