h1

001019304 001__ 1019304
001019304 005__ 20251020082354.0
001019304 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-08320
001019304 037__ $$aRWTH-2025-08320
001019304 041__ $$aEnglish
001019304 082__ $$a004
001019304 1001_ $$0P:(DE-82)1019750$$aHuckebrink, Ben-Jay$$b0$$urwth
001019304 245__ $$aEvaluating and comparing data placement optimization frameworks for heterogeneous memory systems$$cBen-Jay Huckebrink$$honline
001019304 246_3 $$aBewertung und Vergleich von Datenplatzierungs-Optimierungswerkzeugen für heterogene Speicherarchitekturen$$yGerman
001019304 260__ $$aAachen$$bRWTH Aachen University$$c2025
001019304 300__ $$a1 Online-Ressource : Illustrationen
001019304 3367_ $$02$$2EndNote$$aThesis
001019304 3367_ $$0PUB:(DE-HGF)2$$2PUB:(DE-HGF)$$aBachelor Thesis$$bbachelor$$mbachelor
001019304 3367_ $$2BibTeX$$aMASTERSTHESIS
001019304 3367_ $$2DRIVER$$abachelorThesis
001019304 3367_ $$2DataCite$$aOutput Types/Supervised Student Publication
001019304 3367_ $$2ORCID$$aSUPERVISED_STUDENT_PUBLICATION
001019304 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
001019304 502__ $$aBachelorarbeit, RWTH Aachen University, 2025$$bBachelorarbeit$$cRWTH Aachen University$$d2025$$gFak01$$o2025-09-29
001019304 5203_ $$aDie speicherbezogenen Anforderungen von wissenschaftlichen Anwendungen steigen in immer höherem Tempo. Der traditionell genutzte Hauptspeicher, Dynamic Random Access Memory (DRAM), hält mit diesen steigenden Kapazitäts-, Geschwindigkeits- und Energieeffizienzanforderungen nicht mit. Daher werden heterogene Speicherarchitekturen, welche mehrere Speichertypen wie z.B. Non-Volatile Memory (NVM) und High-Bandwidth Memory (HBM) neben DRAM nutzen, immer präsenter. Um die Vorteile solcher Architekturen zu nutzen, werden einzelne Datenstrukturen der Anwendungen je nach deren Speicherzugriffsmustern in verschiedene Speichertypen platziert. Da eine solche Datenplatzierungs-Optimierung manuell vorzunehmen viel Wissen über die Anwendung und viel Zeit erfordert, wurden Datenplatzierungs-Optimierungswerkzeuge entwickelt, um diesen Prozess zu automatisieren und die getroffenen Entscheidungen zu verbessern. Jedoch hat die Forschung an diesen Werkzeugen deren Wirksamkeit nicht ausreichend untersucht. Zumeist wird nur die ausführungszeitbezogene Leistung der Platzierungsentscheidungen getestet, nicht aber die Benutzerfreundlichkeit der Werkzeuge oder deren Energieeffizienzvorteile. Zudem vergleicht diese existierende Forschung die verschiedenen Werkzeuge nicht miteinander. Zusammengenommen behindern diese Unzulänglichkeiten die weitere Forschung an solchen Werkzeugen, da die spezifischen Stärken und Schwächen von bereits existierenden Ansätzen unbekannt bleiben und daher deren Schwächen nicht systematisch behoben werden können. In dieser Arbeit adressiere ich diese Mängel, indem ich drei Datenplatzierungs-Optimierungswerkzeuge vergleiche und tiefergehend bewerte. Zu diesem Zweck entwickle ich einen hochgradig konfigurierbaren synthetischen Benchmark, welcher systematisch seine Speicherzugriffsmuster ändern kann. Diese Konfigurierbarkeit erlaubt mir, die spezifischen Stärken und Schwächen jedes dieser Werkzeuge zu untersuchen und deren Auswirkungen auf die Ausführungszeit und Energieeffizienz der getroffenen Platzierungsentscheidungen zu quantifizieren. Indem ich die Werkzeuge zusätzlich mit vier Proxy-Anwendungen teste, kann ich die realen Auswirkungen der identifizierten Vor- und Nachteile beurteilen. Zudem decken diese Proxy-Applikationen Schwächen in der Benutzerfreundlichkeit der Werkzeuge auf. Basierend auf meinen Ergebnissen schlage ich Modifikationen für diese Werkzeuge vor, die deren Platzierungsentscheidungen und Benutzerfreundlichkeit verbessern.$$lger
001019304 520__ $$aThe memory-related demands of scientific applications rise at an ever-accelerating pace. However, traditional dynamic random access memory (DRAM) has not kept up with these increasing memory capacity, speed, and energy efficiency demands. In response, heterogeneous memory systems employing multiple memory types, such as non-volatile memory (NVM) or high-bandwidth memory (HBM), alongside DRAM have risen to prevalence. Leveraging the advantages of such systems involves placing individual application data structures into different memory types depending on their memory access behaviors. Since manually conducting such a placement optimization requires detailed application knowledge and a large time investment, previous research developed data placement optimization frameworks to automate this process and improve the placement decisions made. However, previous research on these frameworks has not adequately evaluated their efficacy. Most existing work tests only the execution time performance of the frameworks' placement decisions, leaving the frameworks' user experience and energy efficiency benefits unquantified. Crucially, existing research also does not compare the different frameworks against one another. In combination, these shortcomings impede research on future frameworks, since the specific strengths and weaknesses of already existing approaches remain unknown, meaning their weaknesses cannot be improved systematically. In this thesis, I address this shortage by evaluating and comparing three state-of-the-art data placement optimization frameworks in-depth. For this purpose, I develop a custom, highly configurable synthetic benchmark that can systematically alter its memory access behaviors. This configurability allows me to detail specific strengths and weaknesses of each framework's placement optimization algorithm and quantify their impact in terms of the execution time and energy efficiency the made placement decisions achieve. By also testing the frameworks on four proxy applications, I assess the real-world implications of the identified advantages and disadvantages. Further, using the proxy applications, I uncover shortcomings in the frameworks' user experience. Based on my observations, I propose modifications to the frameworks to improve their decision-making and their user experience.$$leng
001019304 591__ $$aGermany
001019304 653_7 $$adata placement optimization
001019304 653_7 $$aheterogeneous memory
001019304 653_7 $$ahigh-bandwidth memory
001019304 653_7 $$anon-volatile memory
001019304 7001_ $$0P:(DE-82)IDM01074$$aMüller, Matthias S.$$b1$$eThesis advisor$$urwth
001019304 7001_ $$0P:(DE-82)IDM00515$$aLankes, Stefan$$b2$$eThesis advisor$$urwth
001019304 7001_ $$0P:(DE-82)IDM02142$$aKlinkenberg, Jannis$$b3$$eConsultant$$urwth
001019304 8564_ $$uhttps://publications.rwth-aachen.de/record/1019304/files/1019304.pdf$$yOpenAccess
001019304 8564_ $$uhttps://publications.rwth-aachen.de/record/1019304/files/1019304_sources.zip$$yRestricted
001019304 909CO $$ooai:publications.rwth-aachen.de:1019304$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
001019304 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)1019750$$aRWTH Aachen$$b0$$kRWTH
001019304 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01074$$aRWTH Aachen$$b1$$kRWTH
001019304 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00515$$aRWTH Aachen$$b2$$kRWTH
001019304 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02142$$aRWTH Aachen$$b3$$kRWTH
001019304 9141_ $$y2025
001019304 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001019304 9201_ $$0I:(DE-82)123010_20140620$$k123010$$lLehrstuhl für Hochleistungsrechnen (Informatik 12)$$x0
001019304 9201_ $$0I:(DE-82)022000_20140101$$k022000$$lIT Center$$x1
001019304 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x2
001019304 961__ $$c2025-10-13T10:44:58.927687$$x2025-10-06T11:33:31.648312$$z2025-10-13T10:44:58.927687
001019304 9801_ $$aFullTexts
001019304 980__ $$aI:(DE-82)022000_20140101
001019304 980__ $$aI:(DE-82)120000_20140620
001019304 980__ $$aI:(DE-82)123010_20140620
001019304 980__ $$aUNRESTRICTED
001019304 980__ $$aVDB
001019304 980__ $$abachelor