پيش‌‌بيني دما در پردازنده‌‌هاي چندهسته‌‌اي با استفاده از رگرسيون بردار پشتيبان

Thermal Prediction in Multicore processors using Support Vector Regression

افزايش تعداد هسته‌‌هاي پردازنده به افزايش توان محاسباتي و به ‌موجب آن، افزايش دماي پردازنده منجر مي‌‌شود. كنترل و مديريت دما در اين پردازنده‌ها اهميت زيادي دارد. مديريت دما به دو رويكرد واكنشي و فعال تقسيم مي‌‌شود. برخلاف رويكرد واكنشي، در روش‌‌هاي فعال، دما پيش از رسيدن به حد آستانه با استفاده از مدل دمايي، پيش‌‌بيني و كنترل مي‌‌شود. در اين مقاله، براي پيش‌‌بيني دما، مدلي براساس SVR پيشنهاد شده است. براي آموزش مدل، با استفاده از حسگرهاي دمايي و شمارنده‌‌هاي كارايي موجود در داخل پردازنده، مجموعه‌‌داده‌‌اي شامل تنوع زيادي از تغييرات دمايي جمع‌آوري شده است. براي افزايش دقت مدل، ويژگي‌‌هاي ديگري با نام‌‌هاي سابقه‌‌اي و كنترلي از ويژگي‌هاي موجود استخراج شده‌اند. براي كاهش سربار محاسباتي دو راهكار پيشنهاد شده است؛ يكي استفاده از دو مدل SVR و ديگري انتخاب ويژگي مناسب بر پايۀ اطلاعات متقابل. در انتها، مدل پيشنهادي براي پيشبيني دما براي فاصله‌‌هاي زماني 2 تا 5 ثانيه، در شرايط كاري مختلف ارزيابي شده است. نتايج نشان مي‌‌دهند با انتخاب 11 ويژگي دماي 2 ثانيه آينده با ميانگين قدر مطلق خطاي 0/5 درجۀ سانتي‌گراد پيش‌بيني مي‌‌‌شود.

Increasing the number of processor cores leads to increasing the density of the computing power processor and also raising the temperature. Temperature management is very important in these processors. Thermal management methods are introduced to reduce the CPU temperature. Reactive and proactive approaches are two sets of these schemes. Unlike the reactive techniques, proactive methods predict the temperature using thermal prediction model before reaching its threshold. In this paper, a hybrid model of several SVR models is proposed for predicting temperature. An appropriate dataset is created for training proposed model that includes a high diversity of processor temperature variations. Some features of dataset are measured using temperature sensors and system performance counters. Other features, with historical and control names are calculated with the proposed processes to increase the accuracy of thermal model. Two SVR models are used in the proposed thermal model to reduce its operational overhead. The proper features for each SVR model are selected by the feature selection algorithm based on mutual information. The proposed model is evaluated for temperature prediction for 2 to 5 time distances. The results show that with a selection of 11 features for thermal prediction model of the next 2 seconds, the mean absolute error is about 0.5 °C.