{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,16]]，“日期-时间”：“2024-09-16T09:38:05Z”，“时间戳”：1726479485946}，“引用-计数”：48，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{:“日期-部分”：[[2020,12,1]]，”日期-时间“：”2020-12-01T00:00:00 Z“，”timestamp“：1606780800000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“出资人”：[{“DOI”：“10.13039\/501100002322”，“名称”：“Coordena\u00e7\u00e_3o de Aperfei\u00e7oamento de Pessoal de N\u00edvel Superior”，“DOI-asserted-by”：“publisher”，“id”：[}“id”501100002322“，”id-type“：”DOI“，”asserted-by“：”publisher“}]}，{“DOI”：“10.13039\/501100003593”，“name”：“Conselho Nacional de Desenvolvimento Cient\u00edfico e Tecnol\u00f3gico”，“doi-asserted-by”：“publisher”，“id”：[{“id”:“10.13029\/5011000003593”，“id-type”：“doi”，“asserted-by”：”publisher“}]}]，“content-domain”：{“domain”:[“elsevier.com”，“sciedirect.com”]，“crossmark”restriction“：true}，”short-container-title“（重新限制）：[“Future Generation Computer Systems”]，“published-print”：{“date-parts”：[[2020,12]]}，“DOI”：“10.1016\/j.Future.2020.07.038”，“type”：“journal-article”，“created”：{-“date-ports”：[2020,7,15]]，“date-time”：“2020-07-15T11:27:40Z”，“timestamp”：1594812460000}，”page：“528-540”，“update-policy”：”http://\/dx.DOI.org\/10.1016 \/elsevier_cm_policy“，”源“：“Crossref”，“is-referenced-by-count”：7，“special_numbering”：“C”，“title”：[“使用机器学习技术分析GPU上并发内核执行的性能”]，“prefix”：“10.1016”，“volume”：“113”，”author“：[{”given“：”Pablo“，”family“：”Carvalho“：“附加”，“从属关系”：[]}，{“给定”：“Aline”，“family”：“Paes”，“sequence”：“additional”，“affiliation”：[]}，}“给定的”：“Cristiana”，“家庭”：“Bentes”，“序列”：“附加的”，“附属关系”：[]}、{“已知的”：”Bruno“，“家族”：“Lopes”，“顺序”：“额外”，“隶属关系”：【】}，Drummond“，”sequence“：”additional“，“affiliation”：[]}]，“member”：“78”，“reference”：[{“issue”：“1”，“key”：“10.1016\/j.future.2020.07.038_51”，“doi-asserted-by”：“crossref”，“first page”：《177》，“doi”：“101007\/s10586-018-02901-1”，《article-title》：“基于GPU基准描述的内核并发机会”，“volume”：“”：“Cluster Comput.”}，{“year”：“2013”，“series-title”：“机器学习：人工智能方法”，“author”：“Michalski”，“key”：“10.1016\/j.future.2020.07.038_b2”}：“2003”，“journal-title”：“J.Mach.Learn.Res.”}，{“key”：“10.1016\/J.future.2020.07.038_b4”，“series-title”：《欧洲数据库机器学习和知识发现联合会议》，“首页”：“694”，”article-title“：“特征重要性排名衡量标准”，“author”：“Zien”，“year”：“2009”}“key”：“1016\/J.futurn.2020.07.038 _b5”，“series-title”：“第22届Acm-Sigkdd国际知识发现与数据挖掘会议论文集”，“首页”：“785”，“article-title”：“Xgboost:一个可扩展的树增强系统”，“author”：“Chen”，“year”：“2016”}，{“key”：”10.1016\/j.future.2020.07.038_b6“，”非结构化“：“NVIDIA Multi-process service https:\/\/docs.NVIDIA.com/deploy\/pdf\/CUDA_Multi_process_service_Overview.pdf.”}，{“key”：“10.1016\/j.future.2020.07.038_b7”，“doi-asserted-by”：“crossref”，“unstructured”：“Q.Hu，j.Shu，j.Fan，Y。Lu，并行GPGPU应用程序的运行时性能估计和面向公平性的调度策略，载于：第45届并行处理国际会议，ICPP，2016，2016，第57\u201366.页key“：”10.1016\/j.future.2020.07.038_b9“，”series-title“：”1994年机器学习论文集“，”首页“：”121“，”article-title“：“无关特征和子集选择问题”，“author”：“John”，“year”：“1994”}，{“issue”：“3”，“key”：“10.1016\\j.futere.2020.07.038_b10”，“doi-asserted-by”：“crossref”，”第一页“：“2043”，”doi“：”10.1016\/j.csda.2005.12.018“，“article-title”：“基于递归特征消除的核Fisher判别分析中的变量选择”，“volume”：“51”，“author”：“Low”，“year”：“2006”，“journal-title“：“Compute”。统计师。数据分析。“｝，｛”期刊标题“：”IEEE\/ACM Trans.Comput.Biol.Bioinform.“，”文章标题“：”XGBoost慢性肾脏疾病诊断模型“，”年份“：”2019“，”作者“：”Ogunleye“，”密钥“：”10.1016\/j.future.200.07.038_b11“｝，｛”问题“：”1“，”密钥“：”10.1016\/j.future.200.07.038_b12“，”doi断言“：”crossref“，”首页“：”409“，”doi“：”10.1186\/s12855“9-019-299-7“，”article-title“：”IRESpy:预测内部核糖体进入位点的XGBoost模型“，”volume“：”20“，”author“：”Wang“，”year“：”2019“，”journal-title”：“BMC Bioninform。“}，{”issue“：”1“，”key“：”10.1016\/j.future.2020.07.038_b13“，”doi-asserted-by“：”crossref“，”first page“：“21”，”doi“：”101109\/TIT.1967.1053964“，”article-title“：”Nearest neighbor pattern classification“，“volume”：“13”，“author”：“Cover”，“year”：“1967”，“journal-title”：“IEEE Trans.Inf.Theory”}，“year:”2002“，”series-title“”：“应用逻辑回归分析，第106卷，“作者”：“梅纳德”，“关键”：“10.1016\/j.future.200.07.038_b14”}，{“年份”：“2009”，“系列标题”：“神经网络和学习机器，第3卷”，“作者”：“海金”，“关键”：“10.1016\/j.future.200.07.038_b15”}，{“问题”：“1”，“关键”：“10.1016\/j.future.200.07.038_b16”，“doi断言”：“crossref”，“首页”：“37“，”DOI“：”10.1177\/001316446002000104“，”article-title“：”名义规模的一致系数“，”卷“：”20“，”作者“：”科恩“，”年份“：”1960“，”期刊标题“：”教育。心理学。测量。“}，{”key“：”10.1016\/j.future.2020.07.038_b17“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Che，M.Boyer，j.Meng，D.Tarjan，j.W.Sheffer，S.-H.Lee，K.Skadron，Rodinia:异构计算的基准套件，收录于：IEEE国际工作负载表征研讨会论文集，IISWC，2009年，第44:54页。“，”doi“：”10.1109 \/IISWC.2009.5306797“}，{“年份”：“2012”，“series-title”：“Parbul:科学和商业吞吐量计算的修订基准套件”，“作者”：“Stratton”，“密钥”：“10.1016\/j.future.2020.07.038_b18”}，}“密钥”:“10.1016 \/j.future.2020.07.038 _b19”，“doi-asserted-by”：“crossref”，“非结构化”：“A.Danalis，G.Marin，C.McCurdy，j.S。Meredith，P.C.Roth，K.Spafford，V.Tipparaju，J.S.Vetter，《可扩展异构计算（SHOC）基准套件》，摘自：《图形处理单元通用计算第三次研讨会论文集》，2010年，第63:74页《第十一届通用GPU研讨会论文集》，“首页”：“40”，“article-title”：“MaxPair:通过加权最大匹配增强OpenCL并发内核执行”，“author”：“Wen”，“year”：“2018”}，{“key”：“10.1016\/j.future.2020.07.038_b21”，“series-title”：合并还是分离CPU\/GPU平台上OpenCL内核的多任务调度”，“author”：“Wen”，“year”：“2017”}，{“key”：“10.1016\/j.future.2020.07.038_b22”，“series-title”：“Advances in Neural Information Processing Systems”，“first-page”：“2546”，“article-title”：《超参数优化算法》，“audor”：10.1016\/j.future.2020.07.038_b23“，”doi-asserted-by“：”crossref“，”first page“：”687“，”doi“：”10.1080\/01621459.1972.10481279“，”article-title“：”使用秩统计构建置信集“，”volume“：“67”，“author”：“Bauer”，“year”：“1972”，“journal-title”：“j.Amer”。统计师。协会“}，{“年”：“2002”，“系列-时间”：“主成分分析”，“作者”：“Jolliffe”，“键”：“10.1016\/j.future.2020.07.038_b24”}，“键“：”10.1016\/j.future.202.07.038_b25“，“非结构化”：“j.Friedman，T.Hastie，R.Tibshirani，《统计学习的要素》，第1卷，第10期，美国纽约州纽约市统计斯普林格系列，2001年。”}10.1016\/j.future.2020.07.038_b26“，“series-title”：“第20届高性能分布式计算国际研讨会论文集”，“首页”：“217”，“article-title”：“使用透明的运行时整合框架支持云环境中的GPU共享”，“author”：“Ravi”，“year”：“2011”}，{“key”：doi-asserted-by“：”crossref“，”unstructured“：”F.Wende，F.Cordes，T.Steinke，《关于通过内核重新排序来提高多线程CUDA应用程序并发内核执行的性能》，见：《高性能计算中的应用加速器研讨会》，SAAHPC，2012年，2012，第74\u201383页。“，”doi“：”10.1109\/SAAHPC.2012.12“}，{“key”：“10.1016\/j.future.2020.07.038_b28”，“非结构化”：“T.Li，V.K.Narayana，T.El-Ghazawi，并发GPU内核的一种power ware共生调度算法，收录于：IEEE第21届并行和分布式系统国际会议，ICPADS，2015年，第562\u2013569页。”article-title“：”通过重新排序并发内核提交最大限度地利用GPU资源“，“volume”：“1”，“author”：“Cruz”，“year”：“2018”，“journal-title”：“Concurr。计算：实际。专家。“}，{”issue“：”6“，”key“：”10.1016\/j.future.2020.07.038_b30“，”doi-asserted-by“：”crossref“，”first page“：“1522”，”doi“：”101109\/TPDS.2013.257“，”article-title“：”Kernelet:”High-throwput GPU kernel executions with dynamic slicing and scheduling“，，{“密钥”：“10.1016\/j.future.2020.07.038_b31“，“series-title”：“Trustcom\/BigDataSE\/ISPA，2015 IEEE，第3卷”，“首页”：“45”，“article-title”：“通过公平软件任务调度提高GPU资源利用率”，“author”：“Tarakji”，“year”：“2015”}，{“key”：”10.1016\/j.future.202.07.038_532“，“series-title“：”ACM SIGPLAN通知，第48卷，第4号“，“首页面”：“407“，”article-title“：”用弹性内核改进GPGPU并发“，”author“：”Pai“，”year“：”2013“}，{”issue“：”3“，”key“：”10.1016\/j.future.2020.07.038_b33“，”doi-asserted-by“：”crossref“，“first page”：“748”，“doi”：“10.1109\/TPDS.2014.2313342”，“article-title”：“高效GPU时空多任务”，“volume”：”26“，”author“”：”Liang“，”年份“：”2015“，”journal-title“：”IEEE Trans。平行配送系统。“}，{”key“：”10.1016\/j.future.2020.07.038_b34“，”doi-asserted-by“：”crossref“，”unstructured“：”j.T.Adriaens，K.Compton，N.S.Kim，M.j.Schulte，《GPGPU空间多任务案例》，收录于：2012 IEEE第18届高性能计算机体系结构国际研讨会，HPCA，2012年，第1\u201312页。“，”doi“：”101109\/HPCA.2012.6168946“}”，{“key”：“”10.1016\/j.future.2020.07.038_b35“，“doi-asserted-by”：“crossref”，“unstructured”：“T.Li，V.K.Narayana，E.El-Araby，T.El-Ghazawi，高性能计算系统上的GPU资源共享和虚拟化，收录于：国际并行处理会议，ICPP，2011年，2011年第733\u2013742页。”，“doi”：“10.1109\/ICP.2011.88”}，{“key”：“10.1016\/j.future.2020.07.038_b36“，“非结构化”：“Y.Suzuki，S.Kato，H.Yamada，K.Kono，GPUvm:为什么不在虚拟机监控程序中虚拟化GPU？in：USENIX年度技术会议，2014年，第109\u2013120页author“：”Margiolas“，”year“：”2016“}，{“key”：“10.1016\/j.future.2020.07.038_b38”，“series-title”：“2016年超级计算国际会议论文集”，“首页”：“31”，“文章-标题”：“CuMAS：共享GPU的数据传输感知多应用程序调度”，“author”：“Belviranli”，“year”：“2016”}，}“issue”：“4”，“key“：”10.1016\/j.future.2020.07.038_b39“，”doi-asserted-by“：”crossref“，”first page“：”766“，”doi“：”10.1109\/TPDS.2019.2944602“，”article-title“：”Ccuda:gpus上并发内核的有效联合调度“，”volume“：“31”，”author“：”Shekofteh“，”year“：”2019“，”journal-title”：“IEEE Trans。平行配送系统。“}，{”key“：”10.1016\/j.future.2020.07.038_b40“，”series-tile“：”ACM Sigplan Notices，Vol.45“，”first page“：“105”，”article-title“：”GPU体系结构的自适应性能建模工具“，”author“：”Baghsorkhi“，”year“：”2010“}”，{“key”：“10.1016\/j.future.202.07.038_bs1”，“series-title”：“ACM Sigplan Notices，Vol.47，No.8”，“first page:”“11”，“article-title“：“用于识别GPGPU应用程序潜在好处的性能分析框架”，“author”：“Sim”，“year”：“2012”}，{“key”：“10.1016\/j.future.2020.07.038_b42”，“doi-asserted-by”：“crossref”，《非结构化》：“A.Jog，O.Kayiran，T.Kesten，A.Pattnaik，E.Bolotin，N.Chatterjee，S.W.Keckler，M.T.Kandimer，C.R。Das，《用于多应用程序执行的GPU存储系统剖析》，载于：《2015年存储系统国际研讨会论文集》，2015年，第223\u2013234页。“，”DOI“：”10.1145\/2818950.2818979“}，{“key”：“10.1016\/j.future.2020.07.038_b43”，“series-title”：“2017 IEEE国际工作负载表征研讨会”，“第一页”：“197”，“article-title“：”Moka：“基于模型的并发内核分析”，“author”：“Yu”，“year”：“2017”}，{“article-title”：“分析和评估GPU上并发内核执行的性能”，“year”：”2017“，“series-title”：“Anais do XVIII Simp\u00f3sio em Sistemas Computacionais de Alto Desempenho”，“作者”：“Cruz”，“密钥”：“10.1016\/j.future.2020.07.038_b44“}，{“key”：“10.1016\/j.future.202.07.038_bs5”，“series-title”：“计算机体系结构与高性能计算（SBAC-PAD），2017年第29届国际研讨会”，“首页”：“121”，“文章-标题”：“异构CPU性能预测与调度的机器学习方法”，“作者”：“Nemirovsky”，“年份“：”2017“}，{“key”：“10.1016\/j.future.2020.07.038_b46”，“series-title”：“高性能计算（HiPC），2014年第21届国际会议”，“首页”：“1”，“文章标题”：“CPU\/GPU异构平台上OpenCL程序的智能多任务调度”，“author”：“Wen”，“year”：“2014”}，}“issue”：“7”，“key“：”10.1016\/j.future.2020.07.038_b47“，”doi-asserted-by“：”crossref“，”first page“：”1800“，“doi”：“10.1109\/TPDS.2014.2333526”，“article-title”：“带缓存的gpu性能模型”，“volume”：“26”，”author“：”Dao“，”year“：”2015“，”journal-title“：”IEEE Trans。平行配送系统。“}，{”key“：”10.1016\/j.future.2020.07.038_b48“，”series-title“：“高性能计算机体系结构（HPCA），2015 IEEE第21届国际研讨会”，“首页”：“564”，”article-title“：”GPGPU性能和功率估计使用机器学习“，”author“：”Wu“，”year“：”2015“}”，“container-title”：[“未来一代计算机系统”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0167739X19312658？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL:“https:\//api.elsevier.com/content\/aarticle\/PII:S0166739X193 12658？httpAccept=text\/plain“，”content-type“：”text\/plain“，”content-version“：”vor“，”intended-application“：”text-mining“}]，”deposed“：{”date-parts“：[2022,11,16]]，”date-time“：”2022-11-16T10:32:29Z“，”timestamp“：1668594749000}，”score“：1，”resource“：{“primary”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/piii\/S0167739X19312658”}}，“副标题”：[]，“短标题”：[]date-parts“：[[2020,12]]}，”references-count“：48，”alternative-id“：[”S0167739X19312658“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.future.2020.07.038“，”relationship“：{}，“ISSN”：[”0167-739X“]，“ISSN-type”：[{“type”:“print”，“value”：“0167-729X”}]，“subject”：【】，“published”：{“date-part”“：[[2020,12]]}，”断言“：[{”value“：”Elsevier“，”name“：”publisher“，”label“：”本文由“｝”维护，｛“value”：“使用机器学习技术分析GPU上并发内核执行的性能”，“name”：“articlettle”，“label”：“article Title”｝，｛“value”：“Future Generation Computer Systems”，“name”：“journaltitle”，“label”：“Journal Title”｝，｛“value”：“https://doi.org/10.1016\/j.Future.200.07.038”name“：”articlelink“，”label“：”CrossRef DOI link to publisher maintained version“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“value”：“\u00a9 2020 Published by Elsevier B.V.”，“名称”：“版权”，“标签”：“copyright”}]}