神经网络优化MPI运行时参数：多核机群性能提升

"多核机群下基于神经网络的MPI运行时参数优化 (2010年)" MPI（Message Passing Interface）是一种广泛应用于并行计算领域的通信库，它允许程序员在多处理器系统上编写并行程序。随着多核处理器的普及，MPI应用的性能优化变得越来越重要，因为正确配置其运行时参数可以显著提升应用程序的执行效率。 文章指出，多核处理器的新特性为MPI应用提供了更多优化的可能性。然而，找到最佳的MPI运行时参数并不简单，因为它受到多方面因素的影响，包括多核机群的硬件架构、网络拓扑、内存带宽以及MPI应用自身的计算密集度和数据传输特性等。传统的手动调整方法既耗时又难以找到全局最优解。 作者提出了一种基于人工神经网络的优化模型，该模型旨在自动预测针对特定MPI程序的接近最优的运行时参数。神经网络作为一种强大的机器学习工具，能够通过训练学习到复杂的数据模式，并进行预测。在这个模型中，神经网络的输入可能是与系统架构和程序特征相关的多个参数，而输出则是对应的优化运行时参数。 实验部分，作者使用了两个不同的基准测试来验证所提出的优化方法的有效性。结果显示，使用这种方法预测出的运行时参数，使得MPI应用的加速比平均达到了实际最大加速比的95%以上。这表明，神经网络模型能够有效地适应不同的MPI应用，为优化提供接近最佳的解决方案。 关键词中的"多核机群"指的是具有多个核心的处理器集群，这种环境下的并行计算具有更高的计算能力；"MPI运行时参数优化"是本文的重点，即调整MPI通信库的参数以提高程序性能；"神经网络"是实现自动优化的核心技术，它能学习并预测参数设置；"并行计算"是MPI应用的基础，通过并行处理任务来加速计算。 该研究提供了一种创新的方法，利用神经网络对多核机群上的MPI应用进行自动化的运行时参数优化，显著提高了并行计算的效率，对于大规模并行计算环境下的性能调优具有重要的实践意义。