paperbot · PL 论文追踪

全部论文 待读 收藏

P2 DrGPUM: Guiding Memory Optimization for GPU-Accelerated Applications

DrGPUM：指导 GPU 加速应用的内存优化
ASPLOS Proceedings of the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, Volume 32023匹配度 2/10 · 该论文关注 GPU 加速应用的内存 profiler 与运行时优化，属于系统/性能工具方向；用户核心兴趣在静态程序分析、LLM/Agent 与程序分析的交叉、浮点程序分析和贝叶斯程序分析，二者交集很少。虽然 GPU 内存优化可能与 ML 系统基础设施间接相关，但论文本身不涉及静态分析、LLM/Agent 或形式化方法。引用 13 inbox
Mao Lin, Keren Zhou, Pengfei Su
运行时与内存管理编程环境与开发者工具
crossref: 2026-09-12

AI 速览

一句话：提出首个系统刻画 GPU 加速应用内存低效模式的 profiler，关联数据对象与 GPU API，分类对象级和对象内低效并指导优化。

GPU 广泛用于加速各类应用，但 GPU 内存资源稀缺常成为限制其适用性的主导因素。本文提出 DrGPUM，首个系统研究 GPU 加速应用中内存低效模式的 profiler。与现有大量 GPU profiler 相比，DrGPUM 的能力在于：将问题性内存使用关联到具体数据对象与 GPU API；识别并归类对象级和对象内内存低效；提供丰富洞见以指导内存优化。摘要未报告具体数据集、实验指标或量化加速结果，主要贡献定位于面向开发者的内存低效诊断能力与优化引导。

问题
GPU 内存资源稀缺常限制 GPU 加速应用的适用范围，而现有 profiler 难以将内存问题系统关联到数据对象和 GPU API 并指导优化。
方法
DrGPUM 通过 profiler 系统分析内存使用，关联问题性内存使用与数据对象及 GPU API，识别和分类对象级与对象内内存低效，并提供优化洞见。
评估
摘要未给出具体实验评估或量化结果，仅说明其相较已有 GPU profiler 的三项能力优势。
原文摘要（Abstract）

GPUs are widely used in today’s computing platforms to accelerate applications in various domains. However, scarce GPU memory resources are often the dominant limiting factor in strengthening the applicability of GPU computing. In this paper, we propose DrGPUM, the first profiler that systematically investigates patterns of memory inefficiencies in GPU-accelerated applications. The strength of DrGPUM, when compared to a large class of existing GPU profilers, is its ability to (1) correlate problematic memory usage with data objects and GPU APIs, (2) identify and categorize object-level and intra-object memory inefficiencies, and (3) provide rich insights to guide memory optimization.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot10056,
  title = {DrGPUM: Guiding Memory Optimization for GPU-Accelerated Applications},
  author = {Mao Lin and Keren Zhou and Pengfei Su},
  booktitle = {ASPLOS},
  year = {2023},
  doi = {10.1145/3582016.3582044}
}