Ajuste de la compilacion a traves de unsistema paralelo multi-objetivo. Aplicacion a la

mejora del servidor web Apache.Jorge Calvo Zaragoza, Luis Alberto Vivas Tejuelo, Sergio Cuenca-Asensi, Antonio

Martınez-Alvarez, 1 Andres Ortiz Garcıa. 2

Resumen— Los compiladores modernos presentanun gran numero de opciones de compilacion que pue-den alterar las caracterısticas de los programas compi-lados. La seleccion de las opciones mas ventajosas paramejorar un cierto objetivo (p.e. tiempo de ejecucion,tamano de codigo, uso de memoria cache, etc) requie-re un conocimiento profundo de la arquitectura sub-yacente y del funcionamiento del compilador. En estetrabajo se propone un algoritmo para la generacionautomatica de los parametros optimos de compilacionbasado en algoritmos geneticos y el Modelo de Islasbajo una implementacion paralela basada en MPI. Elalgoritmo es independiente del compilador, facilmen-te escalable sobre un sistema multicomputador y so-porta la optimizacion simultanea de varios objetivoscontrapuestos gracias al uso del algoritmo NSGA-II.Como caso de estudio se utilizo el servidor web Apa-che, obteniendose mejoras en el rendimiento de hastaun 10 %.

Palabras clave— Ajuste de la compilacion, optimi-zacion multi-objetivo, NSGA II, algoritmo genetico,Apache.

I. Introduccion

Actualmente, los compiladores ofrecen una grancantidad de caracterısticas de optimizacion. Sin em-bargo, esta capacidad nunca se explota completa-mente porque se necesita un conocimiento profun-do de la arquitectura subyacente, la aplicacion ob-jetivo y el funcionamiento del compilador. La selec-cion de las opciones mas convenientes para mejorarun objetivo especıfico (p. ej. tiempo de ejecucion,tamano de codigo, fallos de cache, etc.) representauna tarea de enorme complejidad puesto que exis-ten dependencias entre dichos objetivos que no pue-den ser previstas por adelantado. Lo compiladoresmodernos mas usados como GCC [1], CLang [2] oICC [3], proporcionan un gran conjunto de opcio-nes de compilacion que pueden modificar las carac-terısticas del programa compilado. Muchas de estasopciones, ademas, soportan diferentes modificadores,lo que eleva el numero de posibilidades a la hora decompilar una aplicacion y, en consecuencia, complicael proceso de seleccion de opciones. Ademas, ciertascombinaciones de opciones pueden disminuir el ren-dimiento o incluso cambiar los resultados de ejecu-cion (por ejemplo, vectorizar codigo podrıa relajar laprecision de las operaciones en punto flotante). Conmiles de posibilidades a considerar, la obtencion deuna combinacion optima de opciones mediante una

1Departamento de Tecnologıa Informatica y Computacion.Universidad de Alicante. {sergio,amartinez}@dtic.ua.es

2Departamento de Ingenierıa de Comunicaciones. Universi-dad de Malaga. aortiz@ic.uma.es

aproximacion por fuerza bruta es inviable. Se hacepor ello necesario utilizar una alternativa que, si bienno llegue a obtener la mejor solucion, permita gene-rar soluciones suficientemente buenas en un perıodode tiempo asumible. En este trabajo se utiliza unaestrategia de optimizacion multi-objetivo, basada enun Algoritmo Genetico, que permite una exploracioneficiente del espacio de soluciones.

Nuestra solucion considera el compilador como uncaja negra en la que no se sabe nada acerca del fun-cionamiento interno. Este enfoque ya fue estudiadocon anterioridad por Pinkers et al. [4], que basaronsu trabajo en vectores ortogonales, tratando de in-ferir los efectos de cada opcion de compilacion en elrendimiento de la aplicacion. ACOVEA [5] usa un Al-goritmo Genetico mono-objetivo para encontrar lasmejores opciones para compilar programas utilizan-do GCC. Guy Bashkansky y Yaakov Yaari [6] propu-sieron un entorno (ESTO) que obtenıa compilacionessuboptimas utilizando tambien un Algoritmo Geneti-co. Todos los sistemas mencionados consideraban tansolo el tiempo de ejecucion como objetivo. Dentro deeste contexto, la principal contribucion de nuestraestrategia es el uso de un esquema de optimizacionmulti-objetivo en el motor de busqueda.

La mejora en el rendimiento de una aplicacion pue-de caracterizarse a traves de diversos criterios tecni-cos y restricciones de diseno que deben ser satisfechassimultaneamente y optimizadas en la medida de loposible (p. ej. consumo de energıa y rendimiento ensistemas empotrados). Ocasionalmente, estos crite-rios pueden ser contradictorios y resultar en un em-peoramiento mutuo. Los problemas de optimizacionmulti-objetivo (MOO) consisten en buscar un con-junto de soluciones optimas para una serie de crite-rios contrapuestos. Aunque la combinacion de esque-mas de optimizacion multi-objetivo con AlgoritmosGeneticos ha sido ampliamente estudiada con ante-rioridad [7] [8], todavıa no se ha aplicado al problemaaquı presentado. En nuestra propuesta, el algoritmoNSGA II [9] ha sido el utilizado para manejar la op-timizacion multi-objetivo.

Como se vera mas adelante, este algoritmo pue-de llegar a ser muy costoso computacionalmente porlo que tambien se propone el uso de una arquitec-tura paralela basada en el modelo de islas [10] paraaprovechar el rendimiento que puede ofrecer un sis-tema multi-computador en este tipo de algoritmos.Este modelo tambien puede reducir el efecto de losmınimos locales en la busqueda de proceso [11] [12].

El resto del artıculo esta estructurado como sigue.En la siguiente seccion se expondran algunas conside-raciones acerca del problema que se esta resolviendo.La implementacion del sistema propuesto se detallaen la seccion 3. En la seccion 4 se describe el caso deestudio experimental. Por ultimo, en la seccion 5 semuestran las conclusiones obtenidas.

II. Consideraciones sobre optimizacion atraves de la compilacion

El rendimiento de los microprocesadores actuales,con sus complejos pipelines y cache de datos e ins-trucciones integradas, es altamente dependiente delcompilador y su habilidad para estructurar el codigode forma optima. Obtener la estructura y el schedu-ling mas apropiado es una tarea compleja y especıfi-ca de cada arquitectura, lo que lleva a diferencias enrendimiento dependiendo de la tecnica de optimiza-cion empleada. Esta tarea se lleva a cabo de formaextrema en arquitecturas VLIW (Very Long Instruc-tion Word) y EPIC (Explicitly Parallel InstructionComputing) como Itanium o Itanium 2. Estos mi-croprocesadores delegan la planificacion de las ins-trucciones al compilador para reducir la complejidady liberar espacio en el circuito. En estos casos, elcompilador debe determinar de forma estadıstica laestructura y explotar la arquitectura paralela paraoptimizar el rendimiento [13].

Anadido a lo anterior se debe tener en cuenta quelas opciones de optimizacion de los compiladores mo-dernos no funcionan de forma atomica, es decir, suinfluencia varıa en funcion de otros modificadores.Debido a este hecho, la tarea de ajustar la compila-cion para sacar el maximo partido al sistema tieneuna enorme complejidad, incluso con un conocimien-to total del proceso. Aunque algunos compiladoresincluyen niveles de optimizacion predefinidos (p. ej.GCC con -Ofast, -O2, etc.), en la mayorıa de lasaplicaciones estos estan lejos del optimo, especial-mente si se trabaja en diferentes contextos (compu-tacion de escritorio, servidores, sistemas empotrados,etc.).

Ademas, el uso de algunas tecnicas de optimiza-cion puede producir efectos adversos. Por ejemplo,el inlining de funciones puede hacer que un progra-ma se ejecute mas rapido evitando el coste tempo-ral de la llamada a rutinas. Sin embargo, el sobre-uso de este efecto puede producir un programa muylargo, lo que afectarıa directamente a los fallos decache de instrucciones y, por tanto, al rendimientofinal [14]. Debido a todas estas circunstancias, se pro-pone la combinacion de un algoritmo multi-objetivo,que permita optimizar la busqueda de objetivos con-trapuestos, con un algoritmo genetico, que agilice laexploracion del espacio de busqueda.

III. Estrategia paralela de optimizacionmulti-objetivo para el ajuste de la

compilacion

Como se ha explicado anteriormente, el problemano puede ser resuelto explorando todo el espacio de

soluciones. Por ello, en este trabajo se propone lautilizacion de un Algoritmo Genetico como motor debusqueda. Los Algoritmos Geneticos (GA) son unatecnica de busqueda estocastica que se inspira en lateorıa de la evolucion y que pertenece al grupo detecnicas conocidas como Algoritmos Evolutivos. Es-tas tecnicas se basan en imitar los procesos evolutivoscomo la seleccion natural, el cruce de genes y la mu-tacion. Los GAs operan con un conjunto de indivi-duos donde cada uno de ellos representa una posiblesolucion al problema. Cada individuo esta codifica-do por su cromosoma, compuesto por una serie degenes que representan partes de la solucion del pro-blema. Estos individuos se inicializan aleatoriamentey se van obteniendo mejores soluciones a traves delos operadores de cruce y mutacion. Posteriormente,los individuos son evaluados y selecciones de formaque solo aquellos que representan las mejores solucio-nes pueden sobrevivir. Al final del proceso, se puedeextraer un conjunto de soluciones de la poblacion su-perviviente.

Para el problema aquı presentado, las mejores so-luciones seran aquellas que mas optimizan la aplica-cion objetivo a traves del proceso de compilacion. Laoptimizacion durante la compilacion consiste en elajuste de las opciones del compilador de forma quese puedan modificar y mejorar ciertas caracterısti-cas del programa sin alterar los resultados, es decir,manteniendo la correctitud de la aplicacion. Normal-mente, el criterio mas comun es la reduccion conjun-ta del tiempo de ejecucion y el tamano de codigo.No obstante, muchas de las opciones de compilacionreducen el tiempo de ejecucion incrementando el ta-mano de codigo, y viceversa. Por tanto, encontrarel equilibrio adecuado entre las distintas posibilida-des no es una tarea sencilla. Ademas, estos no sonlos unicos criterios conflictivos que podrıan ser teni-dos en cuenta, especialmente si el ambito del proble-ma no es la computacion con maquinas de propositogeneral. Por ejemplo, en sistemas empotrados exis-ten otros factores importantes como el consumo deenergıa, la seguridad o la tolerancia a fallos. En es-tas situaciones, cuando la evaluacion de la calidadde una solucion no esta clara, deben adoptarse dife-rentes aproximaciones. En este trabajo, se proponeadoptar una estrategia que utilice un esquema de op-timizacion multi-objetivo.

En las siguientes subsecciones se describen los de-talles de implementacion de la estrategia propuesta.

A. Algoritmo Genetico

En nuestra aproximacion, cada individuo represen-ta una posible compilacion y cada gen codifica el va-lor de una unica opcion de compilacion (Figura 1). Lapoblacion se inicializa aleatoriamente, aunque tam-bien se permite especificar individuos iniciales paraaprovechar conocimiento previo.

El proceso consiste en cinco etapas (Figura 2). Enla etapa de inicializacion, se crea una nueva poblaciona traves de la especificacion de las opciones del com-pilador. En la etapa de seleccion, se controla el ta-

gcc -O2 -march=core2 -mfpmath=sse -finline-functions code.c

Cromosoma

genes

Individuo

Fig. 1. Ejemplo de individuo para el compilador GCC

Estrategia MOO/Genetica

Inicialización

Cruce

Mutación

fin

Aplicaciónobjetivo

Compilador

Mejores compilaciones

Opciones del compilador

Cadena de compilación

Generar instancia

Medidas derendimiento

Selección

Evaluación

Ordenamiento MOO

S

Extracción deopciones de compilación

Especificación

N

Fig. 2. Etapas de la estrategia propuesta

mano de la poblacion eliminando los individuos adi-cionales. Posteriormente se crean nuevos individuos atraves del operador de cruce. Este operador consisteen tomar dos individuos y crear uno nuevo escogien-do uniformemente genes de uno y de otro. En la eta-pa de mutacion, solo tres cuartos de la poblacion sonmutados para conservar las mejores soluciones. Pa-ra cada gen, este proceso decide si modificar el valorasociado utilizando una probabilidad baja. Por ulti-mo, en la etapa de evaluacion cada individuo compilala aplicacion objetivo utilizando la codificacion de losgenes y evalua el conjunto de criterios especificado.Al final de esta etapa se ordena la poblacion utilizan-do el algoritmo MOO, que se explicara en la seccionsiguiente.

Estas ultimas cuatro etapas se repiten hasta queel algoritmo alcanza una condicion de parada (p. ej.numero de iteraciones). Al final, la salida del algorit-mo estara formada por el conjunto de compilacionessuperviviente.

A.1 Esquema multi-objetivo

En los ultimos anos se han propuesto diferentesmetodos para resolver problemas multi-objetivo. Es-tos metodos se pueden clasificar en dos grupos: losprimero son algoritmos relativamente simples basa-dos en el frente de Pareto (NSGA [15], NPGA [16],VEGA [17] and MOGA [18]), que ya han caıdo endesuso, y un segundo grupo formado por algorit-mos elitistas que enfatizan la eficiencia computacio-nal (SPEA [19], SPEA2 [20], NSGA II [9], MOGLS[21], PESA [22], PESA II [23]). En la actualidad, NS-GA II (Nondominated Sorting Genetic Algorithm II)es reconocido como uno de los algoritmos mas exito-

Pt

Qt

Rt

F1

F2

F3

Pt+1Crowding distance sorting

Rejected

Non-dominated sorting

Fig. 3. Seleccion de poblacion usando NSGA II

sos para este fin.El esquema NSGA II consiste en clasificar los indi-

viduos en frentes de Pareto no-dominados. Los indi-viduos clasificados en el primer frente (F1) son aque-llos que no estan dominados. Los individuos que per-tenecen al segundo frente (F2) son aquellos que sonno-dominados en ausencia de los del primer frente, yası, sucesivamente. Se dice que una solucion Xi do-mina otra Xj si la primera es mejor o igual que lasegunda en todos los criterios contemplados y estric-tamente mejor en al menos uno de ellos. Un individuono-dominado, por tanto, es aquel que no es dominadopor ningun otro.

Una vez los frentes se han formado, los indivi-duos deben ser ordenados de nuevo para mantenerun buen abanico de soluciones. NSGA II utiliza ladistancia de crowding, que estima el valor de diver-sidad de una solucion con respecto a la poblacionglobal. De esta forma, los individuos son evaluadosen base a su diversidad en la dimension de cada ob-jetivo. La distancia de crowding global dependera dela suma de los valores correspondientes para cadaobjetivo.

Tras la ejecucion del algoritmo, la poblacion es-tara primero ordenada por rangos de no-dominaciony dentro de cada uno, por la distancia de crowding(Fig. 3).

B. Paralelizacion de la estrategia de optimizacion

En el sistema propuesto, la etapa de evaluacionconsume la mayor parte del tiempo debido a que re-quiere la ejecucion o, al menos, la compilacion, de laaplicacion objetivo. Afortunadamente, ya que cadaindividuo puede ser evaluado de forma independien-te, este problema presenta un gran nivel de parale-lismo. Para poder aprovechar al maximo esta cuali-dad, se utiliza un esquema de paralelizacion basadoen el modelo de islas. Este modelo considera diferen-tes poblaciones e itera simultaneamente sobre todasellas. Despues de un cierto numero de generaciones,las poblaciones (o islas) intercambian sus mejores in-dividuos en un proceso de migracion. Por tanto, es-te modelo tambien permite mejorar el algoritmo debusqueda ayudando a mantener la diversidad de so-luciones. Esto permite evitar, en la medida de lo po-sible, la probabilidad de que las poblaciones se parenen un mınimo local.

El sistema propuesto implementa esta paraleliza-cion mediante el uso de la librerıa de paso de men-

Master

GeneticAlgorithm 1

GeneticAlgorithm 2

...Genetic

Algorithm n-1Genetic

Algorithm n

fitness 1 fitness 2 .... fitness m-1 fitness m

Fig. 4. Arbol de procesos creado para N poblaciones

sajes Message Passing Library (MPI) [24] y una es-tructura de programacion maestro-esclavo. Ademasde los N procesos asociados a sus correspondientesislas, el proceso maestro se utiliza para coordinar laetapa de migracion. Dada la sobrecarga de ejecucionque introduce este proceso de migracion, se escogeransolo algunas de las islas en cada ejecucion. Las islas seescogen a pares donde una actua como emisora y laotra como receptora. El proceso maestro se encargade hacer esta eleccion y notificar el rol (emisor, recep-tor or no actua) a cada isla. El proceso emisor envıael 25 % de sus mejores individuos a la isla receptora,que los incluye en su propia poblacion. Las siguientesetapas del algoritmo genetico determinaran el valorde fitness de estos nuevos individuos. El proceso demigracion se incluye como un nuevo paso al final delbucle principal del algoritmo genetico, por lo que nomodifica el funcionamiento interno explicado duran-te esta seccion. Por otra parte, cada isla posee a suvez un conjunto de procesos de fitness (Figura 4).Estos procesos reciben la codificacion de individuosy los evaluan para cada criterio especificado. De estaforma se permite que cada isla pueda evaluar variosindividuos simultaneamente. Tras la evaluacion, elproceso de fitness devuelve los resultados obtenidos.

La isoeficiencia de este esquema de paralelizacionse puede mantener facilmente aumentando el numerode individuos a evaluar, tal como se mostro en [25].

IV. Caso de estudio: optimizacion delservidor web Apache

En esta seccion la estrategia propuesta se aplicapara optimizar el servidor web Apache, basandoseen las siguientes metricas de interes: numero de cam-bios de contexto (extraıdo de /proc/stat), fallos decache L2, throughput del servidor web y tiempo me-dio por peticion.

Los servidor web modernos como Apache consu-men la mayor parte del tiempo de ejecucion en la pilade red (networking stack) del sistema operativo. Porconsiguiente, la pila de red tiene una gran influen-cia en el rendimiento global. En estas aplicaciones,el numero de fallos de cache suele ser alto debidoal hecho de que la pila TCP/IP de Linux no cabeen las cache L2 de tamano convencional. Ademas,si las paginas servidas contienen datos aleatorios -dificultando los predictores de los microprocesadores-, los fallos de cache L2 se incrementan aun mas. Co-mo la latencia de las DRAM suele ser superior acientos de ciclos de reloj, estos fallos de cache redu-cen considerablemente el rendimiento del procesador.Por tanto, todos los criterios mencionados deben ser

EstrategiaMOO/Genetica

OProfile

ApacheWeb Server

ApacheBenchmark

compilar

fallos caché L2

petición

Perl CGI

tiempo por respuestathroughput

Fig. 5. Escenario del caso de estudio Apache

tenidos en cuenta a la hora de evaluar el rendimientodel servidor.

Para evaluar el rendimiento del servidor se ha uti-lizado la herramienta Apache Benchmark (AB) [26].Esta herramienta permite realizar test de carga condiferente configuracion y proporciona un amplio ran-go de indicadores de rendimiento como el numero depeticiones procesadas por segundo o el troughput al-canzando. Por otra parte, se uso OProfile [27] paralas mediciones de los fallos de cache. OProfile es unaherramienta de grano fino de perfilado de codigo queconsiste en un driver central, un daemon y varias he-rramientas de reporte. Esta herramienta recoge datosde los registros de conteo de rendimiento dentro deintervalos de tiempo definido. A diferencia de otrasherramientas, OProfile puede perfilar el sistema alcompleto sin necesidad de modificar la aplicacion ob-jetivo.

Para tener en cuenta el peor caso, es obligatorioevitar los predictores de la CPU [28]. Por lo tanto, lapagina servida se ha establecido como un script CGIen Perl que genera numeros reales aleatorios. Estetest tambien permite tener mas precision en las me-didas ya que minimiza el uso de los puertos E/S. Paraesta prueba se ha establecido el tamano de pagina a2KiB.

La configuracion experimental esta compuesto demaquinas Intel Core 2 Duo 2.3GHz con 4 GiB deRAM y un Realtek RTL8169 based gigabit networkinterface controller (NIC), corriendo un Debian Li-nux con 3.2.0-1-amd64 kernel, el compilador GCC4.6.2 y el servidor web Apache en su version 2.2.21. ElMTU (Maximum transmission unit) se configuro almaximo permitido (7000) para optimizar el ancho debanda.

La prueba consistio en la computacion de 145 ite-raciones y duro 6 dıas completos.

A. Resultados experimentales

Los resultados obtenidos por los individuos eva-luados se han expresado con una nube de puntoscercana al origen de coordenadas en ambos ejes. Losdatos se muestran en diferentes graficos para cadapar de criterios. Se incluyen tambien los niveles deoptimizacion predefinidos en GCC (-O1, -O2, -O3)para poder tener una mejor perspectiva de los resul-tados obtenidos. Tambien se marcan aquellos indivi-duos que pertenecen al frente de Pareto (individuosno-dominados).

Principalmente se puede observar que los resulta-

-O2

-O3

-O1

-O0

Fig. 6. Fallos de cache L2 contra cambios de contexto

1500

1400

1300

1200

1100

1000

900

800

700

600

500

400

85000 90000 95000 100000 105000 110000

Thro

ughp

ut

Context switching

1450

1400

1350

93000 94000 95000

O0

O1

O2O3

Fig. 7. Troughput contra cambios de contexto

dos se concentran en dos grupos a lo largo de todaslas graficas. En la Figura 6 se muestra la nube depuntos obtenida enfrentando el numero de fallos decache L2 y el numero de cambios de contexto. Elconjunto de soluciones que pertenecen al frente dePareto cuenta tanto con individuos con un numeropequeno de cambios de contexto y una gran cantidadde fallos de cache L2 como individuos mas balancea-dos. Tambien se puede apreciar una significativa re-duccion de los fallos de cache comparando con losniveles de optimizacion predefinidos.

La Figura 7 muestra las soluciones en terminos detroughput (KiB/s) y cambios de contexto. Similar algrafico anterior (Figura 6), existen dos grupos dife-rentes, todavıa mas compactos en este caso.

En la Figura 8, el eje de abscisas representa elnumero de fallos en cache L2 mientras que el eje deordenadas muestra el troughput. Se puede observarla relacion entre estos dos criterios, ya que los indi-viduos con mayor numero de fallos de cache tienenmucho menor troughput. No obstante, las opciones

1500

1400

1300

1200

1100

1000

900

800

700

600

500

400

400 500 600 700 800 900 1000 1100 1200 1300 1400 1500

Thro

ughp

ut

L2 global misses

1450

1400

1350

400 600 800

O0

O1O3O2

Fig. 8. Troughput contra fallos de cache L2

0.95

1

1.05

1.1

1.15

1.2

1.25

O1 O2 O3 MOO1 MOO2 MOO3 MOO4 MOO5

Mejo

ra s

ob

re c

aso

base

Compilaciones

Fig. 9. Mejora obtenida respecto al caso base -O2

predefinidas de GCC muestran un buen troughputa pesar de no tener los mejores resultados en fallosde cache. Las soluciones que pertenecen al frente dePareto tienen un aumento marginal del troughputaunque son significativamente mejores en terminosde cache.

Dado que el objetivo del caso de estudio es optimi-zar de forma global el servidor web, en la Figura 9 semuestra la media de la mejora obtenida por cada cri-terio para los cinco mejores individuos. Esta mediapuede verse como una medida de mejora conjunta. Laoptimizacion predefinida -O2 se ha establecido comolinea base ya que es la que se activa por defecto enlas distribuciones convencionales de Apache.

Viendo las nubes de puntos se puede observar quelas opciones de optimizacion predefinidas no apor-tan una mejora del rendimiento significativa. Comose puede ver en las graficas, las diferencias entre -O0

y -O2/-O3 son mınimas en el mejor de los casos. Losresultados obtenidos por nuestra estrategia tampo-co ofrecen una mejora notable para cada uno de loscriterios de forma aislada. No obstante, si se tieneen cuenta la ganancia conseguida teniendo en cuentatodos los criterios contemplados, el sistema es capazde ofrecer compilaciones que muestran una mejoracercana al 10 %.

V. Conclusiones

En este trabajo se ha propuesto una estrategia pa-ralelizable basada en un Algoritmo Genetico para laobtencion de las opciones optimas de compilacion.Ademas, esta estrategia se ha combinado con el usodel algoritmo multi-objetivo NSGA II para permi-tir una optimizacion de multiples criterios al mismotiempo. En el caso de estudio aplicado, enfocado ala optimizacion del servidor web Apache, se ha mos-trado que existe un margen reducido de mejora conrespecto a cada uno de los criterios contemplados porseparado. No obstante, nuestra estrategia ha demos-trado su habilidad para encontrar una mejora globalque ha sido capaz de obtener hasta un 10 % de ganan-cia en la respuesta a peticiones de pagina de tamano2KiB.

Como proximo paso se pretende estudiar los efec-tos que produce el aumento o la reduccion del tamanode pagina en los resultados obtenidos. De cara a si-guientes trabajos tambien se va a tratar de inferir laincidencia de las opciones de compilacion para cadacriterio contemplado. En este caso, serıa interesan-te saber que opcion o combinacion de opciones haceque los individuos pertenecen a la mejor o peor nu-be de puntos que se observan en los resultados. Otracuestion de estudio interesante serıa la de considerarotras aplicaciones que no tienen una alta dependen-cia de los recursos de red con el fin de comparar losresultados. Esto tambien nos permitira hacer un es-tudio de la incidencia de las opciones de compilacionen funcion del tipo de aplicacion, cuyos resultadospodrıan ser utilizados en la estrategia como un co-nocimiento a priori, permitiendo acelerar la conver-gencia hacia soluciones optimas.

Referencias

[1] GCC, “GNU Compiler Collection,”http://gcc.gnu.org, 1987.

[2] CLang, “A C language family frontend for LLVM,”http://clang.llvm.org/, 2011.

[3] ICC, “Intel C++ Compiler,”http://software.intel.com/en-us/intel-compilers/, 2011.

[4] R.P.J. Pinkers, P.M.W. Knijnenburg, M. Haneda, andH.A.G. Wijshoff, “Statistical selection of compiler op-tions,” in Modeling, Analysis, and Simulation of Compu-ter and Telecommunications Systems, 2004. (MASCOTS2004). Proceedings. The IEEE Computer Society’s 12thAnnual International Symposium on, oct. 2004, pp. 494–501.

[5] Scott Robert Ladd, “Acovea,” 2007,http://kidsvid.altec.org Last accessed: 30/03/2012.

[6] SMART ’07, Black box approach for selecting optimi-zation options using budget-limited genetic algorithms.,2007.

[7] Eckart Zitzler and Lothar Thiele, “Multiobjective opti-mization using evolutionary algorithms - a comparativecase study,” 1998, pp. 292–301, Springer.

[8] Carlos M. Fonseca and Peter J. Fleming, “Genetic Al-gorithms for Multiobjective Optimization: Formulation,Discussion and Generalization,” in Genetic Algorithms:Proceedings of the Fifth International Conference. 1993,pp. 416–423, Morgan Kaufmann.

[9] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “Afast and elitist multiobjective genetic algorithm: Nsga-ii,” Evolutionary Computation, IEEE Transactions on,vol. 6, no. 2, pp. 182 –197, apr 2002.

[10] Cantu E. Paz, “A Survey of Parallel Genetic Algo-rithms,” 1997.

[11] D.A. Van Veldhuizen, J.B. Zydallis, and G.B. Lamont,

“Considerations in engineering parallel multiobjectiveevolutionary algorithms,” Evolutionary Computation,IEEE Transactions on, vol. 7, no. 2, pp. 144 – 173, april2003.

[12] F. de Toro, J. Ortega, J. Fernandez, and A. Diaz, “Psfga:a parallel genetic algorithm for multiobjective optimiza-tion,” in Parallel, Distributed and Network-based Proces-sing, 2002. Proceedings. 10th Euromicro Workshop on,2002, pp. 384 –391.

[13] Carole Dulong, Rakesh Krishnaiyer, and Dattatraya Kul-karni, “An overview of the intel ia-64 compiler,” 1999.

[14] Frederic P. Miller, Agnes F. Vandome, and John Mc-Brewster, Inline Expansion: Compiler Optimization, Ca-lled Party, Branch (computer science), Algorithmic Ef-ficiency, Return Statement, CPU Cache, Constant (pro-gramming), Compiler, Copy and Paste Programming.,Alpha Press, 2010.

[15] N. Srinivas and Kalyanmoy Deb, “Multiobjective op-timization using nondominated sorting in genetic algo-rithms,” Evolutionary Computation, vol. 2, pp. 221–248,1994.

[16] Jeffrey Horn, Jeffrey Horn, Nicholas Nafpliotis, NicholasNafpliotis, David E. Goldberg, and David E. Goldberg,“A niched pareto genetic algorithm for multiobjective op-timization,” in In Proceedings of the First IEEE Confe-rence on Evolutionary Computation, IEEE World Con-gress on Computational Intelligence, 1994, pp. 82–87.

[17] J. D. Schaffer, “Multiple objective optimization with vec-tor evaluated genetic algorithms,” in Proc. of the Inter-national Conference on Genetic Algorithms and TheirApplications, Pittsburgh, PA, 1985, pp. 93–100.

[18] Carlos M. Fonseca and Peter J. Fleming, “Genetic algo-rithms for multiobjective optimization: Formulation, dis-cussion and generalization,” 1993.

[19] Eckart Zitzler and Lothar Thiele, “Multiobjective evo-lutionary algorithms: A comparative case study and thestrength pareto approach,” 1999.

[20] Eckart Zitzler, Marco Laumanns, and Lothar Thiele,“Spea2: Improving the strength pareto evolutionary al-gorithm,” Tech. Rep., 2001.

[21] Andrzej Jaszkiewicz, “On the performance of multipleobjective genetic local search on the 0/1 knapsack pro-blem. a comparative experiment.,” 2000.

[22] David W. Corne, Joshua D. Knowles, and Martin J. Oa-tes, “The pareto envelope-based selection algorithm formultiobjective optimization,” in Proceedings of the Pa-rallel Problem Solving from Nature VI Conference. 2000,pp. 839–848, Springer.

[23] David W. Corne, Nick R. Jerram, Joshua D. Knowles,Martin J. Oates, and Martin J, “Pesa-ii: Region-basedselection in evolutionary multiobjective optimization,” inProceedings of the Genetic and Evolutionary Compu-tation Conference (GECCO 2001. 2001, pp. 283–290,Morgan Kaufmann Publishers.

[24] MPI Forum, “Message Passing Interface (MPI) ForumHome Page,” http://www.mpi-forum.org/, Dec. 2009.

[25] L. A. Vivas Tejuelo, J. Calvo Zaragoza, F. Restrepo Calle,S. Cuenca Asensi, A. Ortiz Garcia, and A. Martinez Alva-rez, “Mejora del rendimiento de una aplicacion mediantela determinacion automatica de las opciones optimas decompilacion,” in Actas de las XXI Jornadas de Parale-lismo, sep. 2010, pp. 159–165.

[26] Apache HTTP server benchmarking tool,“The Apache Software Foundation,”http://httpd.apache.org/docs/2.0/programs/ab.html,2011.

[27] OProfile, “A System Profiler for Linux,”http://oprofile.sourceforge.net/, 2011.

[28] Intel, Intel 64 and IA-32 Architectures Optimization Re-ference Manual, 2011.