Extension et Analyse des Modèles de Calcul de Type Flux de Données pour Gestionnaires de Ressources Embarqué

Extension and Analysis of Dataflow Models of Computation for Embedded Runtimes

• Auteur / Autrice : Florian Arrestier
• Direction : Daniel Ménard, Karol Desnos, Eduardo Juarez
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 10/11/2020
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes)
• Jury : Président / Présidente : Alix Munier-Kordon
• Jury : Examinateurs / Examinatrices : Daniel Ménard, Karol Desnos, Eduardo Juarez, Alix Munier-Kordon, Tanguy Risset, Renaud Pacalet, Jocelyn Sérot
• Jury : Rapporteurs / Rapporteuses : Tanguy Risset, Renaud Pacalet

Mots clés

Mots clés contrôlés

Modélisation des données (informatique)

Systèmes sur puce

Traitement du signal

Architecture dataflow

Mots clés libres

Modèles de calcul flux de données

Système Embarqué

Modélisation d’application

Dataflow Models of Computation

Embedded Runtime

Application Modeling

Résumé

Ces dernières années, les Modèles de Calcul (MdCs) de type flux de données ont été utilisés pour la modélisation d’applications dans un large éventail de domaines tels que le traitement vidéo et audio, les télécommunications, la vision par ordinateur et l’apprentissage machine. Ces applications s’exécutant sur des Systèmes Hétérogènes Multi- Processeurs sur Puce, elles nécessitent une allocation et une gestion efficaces des ressources disponibles, à la fois lors de la compilation mais aussi lors de l’exécution. Afin de gérer des applications dynamiques dont le comportement ne peut être entièrement prévu lors de la compilation, les gestionnaires d’exécution doivent pouvoir prendre des décisions à la volée, tout en minimisant l’impact sur les performances des applications. Dans cette thèse, des contributions sont faites à la fois dans le domaine des MdCs de type flux de données et dans le domaine de la gestion des ressources des systèmes embarqués, avec l’introduction d’une nouvelle sémantique pour les MdCs flux de données et la proposition d’une nouvelle représentation intermédiare des graphes flux de données. La nouvelle sémantique proposée ajoute aux MdCs de type flux de données améliore la modélisation d’applications avec un niveau de parallélisme à fin grain ce qui peut bénéficier aux outils de synthèse de haut niveau. Enfin, la représentation intermédiaire des graphes flux de données proposée améliore grandement la consommation de mémoire et la rapidité d’exécution lors de la gestion d’applications dynamiques basées flux de données.

In the recent years, dataflow Models of Computation (MoCs) have been commonly used to model stream processing applications in a wide range of domains such as video and audio processing, telecommunications, computer vision and machine learning. Stream processing applications running on Heterogeneous Multi-Processor System on Chips require efficient resource allocation and management, both at compile-time and at runtime. To cope with modern adaptive applications whose behavior can not be exhaustively predicted at compile-time, runtime managers must be able to take resource allocation decisions on-the-fly, with a minimum overhead on applications performance. In this thesis, contributions are made to address issues in both dataflow MoCs and runtime resource management with the introduction of the State-Aware dataflow Meta-Model (SaMM) and with a novel intermediate representation of dataflow graphs, respectively. SaMM adds an explicit semantics for fine grained parallelism modeling to dataflow MoCs which can benefit to High-Level Synthesis tools. Secondly, the proposed intermediate representation offers significant memory gains and runtime speed-up when used in a dynamic and embedded dataflow-based runtime.