Аннотация:В работе рассматривается задача построения системы автоматической
настройки производительности (automatic performance tuning) парал-
лельной программы. Предложенный подход основан на использовании
методов машинного обучения и сведении задачи к проблемам классифи-
кации и востановления регрессии, которые решается с использованием
методов опорных векторов. Представлены результаты прогнозирования
производительности алгоритмов решения СЛАУ, взятых из распростра-
ненной параллельной библиотеки PETSc, на представительном наборе
задач из репозитория университета Флориды. Обсуждаются во
просы реализации метода для платформы Blue Gene/P и Ломоносов.
Для данного подхода достигнуты высокие значения точности прогнозирова-
ния производительности.