An Automated Evolutionary Modularization Approach for Performance-Aware Parallelization of Sequential Source Code

Kamaran Adil Ibrahim

doi:10.3390/computers15090606

2026-09-11

Kamaran Adil Ibrahim

Habib Izadkhah *

Jaber Karimpour

DOI：10.3390/computers15090606

原文链接

原文求助

摘要

En 中文

面向对象软件的并行化仍然困难，因为几个重要决策并非完全局部。有效的分解应考虑架构结构、执行频率、通信延迟以及通信与本地计算的重叠程度。相比之下，许多传统模块化方法关注内聚性、耦合性或通信成本，而没有明确考虑是否可以提前发出不可避免的远程调用，使其部分延迟被独立工作隐藏。DTMC-GA通过结合离散时间马尔可夫链（DTMC）执行模型、分布式执行时间（DET）估计器和遗传算法（GA）搜索过程来解决此问题。受保护调用-使用位移仅在相关依赖、排序和安全条件满足时才扩大模型重叠窗口。公开工件包含五个本地基准套件、五种比较方法、每算法-套件对保留30次运行、原始输出、统计脚本、再生图形、Docker支持、持续集成验证和Zenodo DOI。在发布的五种方法面板中，DTMC-GA实现了最高的平均综合模型加速比2.708 ± 0.329。一个更新的NSGA-III比较器也使用匹配的套件、DTMC–DET输入、约束、随机种子、种群大小和代数预算进行了评估。NSGA-III实现了平均综合模型加速比2.737 ± 0.323，比DTMC-GA高1.07%，尽管在Bonferroni校正后，五个套件级别的配对差异均未保持显著。一项单独的稀疏图可扩展性研究涵盖了50、100、250、500、750和1000个类；平均分析时间从约0.024增加到0.286秒，而峰值内存从约119.1增加到120.9 MiB。该研究还包括使用固定五卷积DNN工作负载执行的OpenCV 4.7.0校准。在30个匹配对中，原生并行OpenCV实现了测量的均值加速比1.8691×。在30个种子上进行的边界经验DTMC-GA/DET重运行产生了平均模型加速比1.0000×，标准差为0.0000，给出模型与测量值的绝对差异46.50%。由于测量的并行比较器是OpenCV的原生线程实现而非DTMC-GA生成的源重写，因此该实验被解释为真实运行时模型校准，而非直接测量的DTMC-GA优化加速比。

Keyword:

automated software modularization

concurrency-aware modularization

parallelization

discrete-time Markov chain

genetic algorithm

distributive execution time

reproducibility artifact