Algoritmo Evolutivo Multiobjetivo con Paralelismo Multinivel para Clasificación de EEGs: Análisis Energía-tiempo en Clústeres Heterogéneos

Abstract

Today's heterogeneous architectures interconnect nodes with multiple microprocessors and multicore accelerators that allow different strategies to accelerate applications and optimize their power consumption. In this work, a multilevel parallel procedure is proposed that takes advantage of all the nodes of a heterogeneous CPU-GPU cluster. Three different versions have been implemented, which have been analyzed in terms of execution time and energy consumption. Although the work considers an evolutionary master-worker algorithm for feature selection and EEG classification, the conclusions of the experimental analysis can be extrapolated to other applications in bioinformatics and data mining with the same computational profile as the problem considered here. The proposed parallel approach allows to reduce the execution time by a factor of up to 83 with only 4.9% of the energy consumed by the sequential procedure.

Las arquitecturas heterogéneas actuales interconectan nodos con múltiples microprocesadores y aceleradores multinúcleo que permiten diferentes estrategias para acelerar las aplicaciones y optimizar su consumo de energía. En este trabajo se propone un procedimiento paralelo multinivel que aprovecha todos los nodos de un clúster CPU-GPU heterogéneo. Se han implementado tres versiones diferentes, que han sido analizadas en términos de tiempo de ejecución y consumo energético. Aunque el trabajo considera un algoritmo maestro-trabajador evolutivo para selección de características y clasificación de EEGs, las conclusiones del análisis experimental se pueden extrapolar a otras aplicaciones en bioinformática y minería de datos con el mismo perfil de cómputo que el problema considerado aquí. El enfoque paralelo propuesto permite reducir el tiempo de ejecución en un factor de hasta 83 con sólo un 4,9% de la energía consumida por el procedimiento secuencial.