Busca avançada
Ano de início
Entree

ADAPTT: provendo eficiência de recursos na classificação de tráfego através do uso sinergético e adaptativo de FPGAs e CNNs

Processo: 21/06825-8
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de janeiro de 2022
Data de Término da vigência: 31 de dezembro de 2023
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
Acordo de Cooperação: MCTI/MC
Pesquisador responsável:Antonio Carlos Schneider Beck Filho
Beneficiário:Antonio Carlos Schneider Beck Filho
Instituição Sede: Instituto de Informática. Universidade Federal do Rio Grande do Sul (UFRGS). Ministério da Educação (Brasil). Porto Alegre , SP, Brasil
Pesquisadores associados: Mateus Beck Rutzig
Assunto(s):Arquitetura e organização de computadores  Redes neurais (computação)  Redes neurais convolucionais  Circuitos FPGA 
Palavra(s)-Chave do Pesquisador:Classificação de Tráfego | Fpga | Redes neurais | Arquitetura de Computadores

Resumo

Redes neurais cada vez mais profundas e, mais especificamente, convolucionais (CNN), têm mostrado ser uma solução de alta acurácia para lidar com o problema de classificação de tráfego na Internet, contribuindo com o melhor planejamento de capacidade, administração eficiente dos recursos, detecção de anomalias, dentre outros. Entretanto, para lidar com o aumento significativo no volume de tráfego, o processamento tem de ocorrer de forma eficiente, com baixa latência e alta vazão. Assim, FPGAs aparecem como alternativa emergente e de crescente popularidade, devido a sua capacidade de reconfiguração e adaptabilidade. FPGAs permitem otimizações específicas através da Síntese de Alto Nível (HLS - High Level Synthesis), que gera vários circuitos a partir da mesma descrição e com diferentes características. Neste mesmo cenário, os modelos de CNNs também podem ser aprimorados, através de poda e quantização, que visam diminuir a quantidade de memória ou poder de processamento exigidos, com perdas mínimas na acurácia. Assim, este projeto propõe o ADAPTT - An Adaptive Deep Learning FPGA APproach for Traffic ClassificaTion, com o objetivo de aumentar a eficiência (i.e. vazão, energia, uso de recursos, acurácia ou custo de implementação) na execução de CNNs em aceleradores FPGAs para controle de tráfego. O ADAPTT envolve duas etapas: 1) Estática: Que cria, em tempo de projeto e automaticamente através de heurísticas inteligentes, uma biblioteca com várias configurações, compostas por versões aprimoradas com HLS de aceleradores para FPGA e com modelos otimizados através de poda e quantização de CNNs, resultando em diferentes perfis de vazão, consumo energético, acurácia, etc.; e 2) Dinâmica: Que, após o sistema estar implantado e em funcionamento, tem a capacidade de adaptar-se através da mudança dinâmica de configuração, dado um objetivo de otimização (e.g. menor consumo de energia, maior vazão ou acurácia) e estado atual do sistema (e.g., volume atual de tráfego ou mínima acurácia necessária), aproveitando-se da reconfigurabilidade intrínseca do FPGA. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (5)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
JORDAN, MICHAEL GUILHERME; KOROL, GUILHERME; KNORST, TIAGO; RUTZIG, MATEUS BECK; SCHNEIDER BECK, ANTONIO CARLOS; KASTENSMIDT, F; REIS, R; TODRI-SANIAL, A; LI, H; METZLER, C. Resource Provisioning for CPU-FPGA Environments with Adaptive HLS-Versioning and DVFS. 2023 IEEE COMPUTER SOCIETY ANNUAL SYMPOSIUM ON VLSI, ISVLSI, v. N/A, p. 6-pg., . (21/06825-8)
KOROL, GUILHERME; JORDAN, MICHAEL GUILHERME; RUTZIG, MATEUS BECK; CASTRILLON, JERONIMO; BECK, ANTONIO CARLOS SCHNEIDER; IEEE. Pruning and Early-Exit Co-Optimization for CNN Acceleration on FPGAs. 2023 DESIGN, AUTOMATION & TEST IN EUROPE CONFERENCE & EXHIBITION, DATE, v. N/A, p. 6-pg., . (21/06825-8)
JORDAN, MICHAEL GUILHERME; KOROL, GUILHERME; KNORST, TIAGO; RUTZIG, MATEUS BECK; BECK, ANTONIO CARLOS SCHNEIDER. Energy-aware fully-adaptive resource provisioning in collaborative CPU-FPGA cloud environments. JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING, v. 176, p. 15-pg., . (21/06825-8)
KOROL, GUILHERME; JORDAN, MICHAEL GUILHERME; RUTZIG, MATEUS BECK; CASTRILLON, JERONIMO; SCHNEIDER BECK, ANTONIO CARLOS; KASTENSMIDT, F; REIS, R; TODRI-SANIAL, A; LI, H; METZLER, C. Design Space Exploration for CNN Offloading to FPGAs at the Edge. 2023 IEEE COMPUTER SOCIETY ANNUAL SYMPOSIUM ON VLSI, ISVLSI, v. N/A, p. 6-pg., . (21/06825-8)
VICENZI, JULIO COSTELLA; KOROL, GUILHERME; JORDAN, MICHAEL G.; DE MORAIS, WAGNER OURIQUE; ALI, HAZEM; DE FREITAS, EDISON PIGNATON; RUTZIG, MATEUS BECK; BECK, ANTONIO CARLOS SCHNEIDER; KASTENSMIDT, F; REIS, R; et al. Dynamic Offloading for Improved Performance and Energy Efficiency in Heterogeneous IoT-Edge-Cloud Continuum. 2023 IEEE COMPUTER SOCIETY ANNUAL SYMPOSIUM ON VLSI, ISVLSI, v. N/A, p. 6-pg., . (21/06825-8)