Modern standards in High Performance Computing (HPC) have started to consider energy consumption and power draw as a limiting factor. New and more complex architectures have been introduced in HPC systems to afford these new restrictions, and include coprocessors such as GPGPUs for intensive computational tasks. As systems increase in heterogeneity, workload distribution becomes a more core problem to achieve the maximum efficiency in every computational component. We present a Multi-Objective Dynamic Load Balancing (DLB) approach where several objectives can be applied to tune an application. These objectives can be dynamically exchanged during the execution of an algorithm to better adapt to the resources available in a system. We have implemented the Multi–Objective DLB together with a generic heuristic engine, designed to perform multiple strategies for DLB in iterative problems. We also present Ull Multiobjective Framework (UllMF), an open–source tool that implements the Multi-Objective generic approach. UllMF separates metric gathering, objective functions to be optimized and load balancing algorithms, and improves code portability using a simple interface to reduce the costs of new implementations. We illustrate how performance and energy consumption are improved for the implemented techniques, and analyze their quality using different DLB techniques from the literature.

中文翻译：

---

异构系统中动态负载平衡的动态多目标方法

高性能计算 (HPC) 的现代标准已开始将能耗和功耗视为限制因素。HPC 系统中引入了新的和更复杂的架构以承受这些新的限制，并包括协处理器，例如用于密集计算任务的 GPGPU。随着系统异构性的增加，工作负载分配成为在每个计算组件中实现最大效率的更核心问题。我们提出了一种多目标动态负载平衡 (DLB) 方法，其中可以应用多个目标来调整应用程序。这些目标可以在算法执行期间动态交换，以更好地适应系统中可用的资源。我们已经实现了多目标 DLB 和一个通用的启发式引擎，旨在为迭代问题中的 DLB 执行多种策略。我们还介绍了 Ull 多目标框架 (UllMF)，这是一个实现多目标通用方法的开源工具。UllMF 将度量收集、要优化的目标函数和负载平衡算法分开，并使用简单的接口提高代码可移植性，以降低新实现的成本。我们说明了实施技术的性能和能耗是如何提高的，并使用文献中的不同 DLB 技术分析它们的质量。并使用简单的接口提高代码可移植性，以降低新实现的成本。我们说明了实施技术的性能和能耗是如何提高的，并使用文献中的不同 DLB 技术分析它们的质量。并使用简单的接口提高代码可移植性，以降低新实现的成本。我们说明了实施技术的性能和能耗是如何提高的，并使用文献中的不同 DLB 技术分析它们的质量。