انتخاب ويژگي پيشنهادي براي مديريت دماي پويا در سيستم‌هاي چندهسته‌اي

Proposed Feature Selection for Dynamic Thermal Management in Multicore Systems

افزايش تعداد هسته‌­ها، به‌منظور افزايش توان محاسباتي يك سيستم چندهسته‌­اي، منجر به افزايش دماي پردازنده مي‌­شود. يكي از راه‌كارهاي معمول براي كاهش دما، روش­‌هاي كنش‌­گراست. اين روش‌­ها، با پيش‌­بيني دما پيش از رسيدن به دماي حدآستانه، مديريت دما را انجام مي‌دهند. در اين مقاله، اثر استفاده از ويژگي­‌هاي مناسب براي مديريت دماي پردازنده موردتوجه قرار گرفته است. براي مديريت دما، سه مدل، به‌ترتيب براي پيش‌­بيني دما، پيش‌بيني پاسخ دمايي و كنترل دما پيشنهاد شده است. در اين راستا، از شبكه عصبي پرسپترون چندلايه‌­اي براي پيش­‌بيني دما و پاسخ دمايي و از سامانه استنتاج عصبي-فازي وفقي به‌منظور مديريت دما استفاده مي­‌شود. براي آموزش هر يك از مدل­‌ها، مجموعه داده‌­اي با تنوع بالا از حالات مختلف دمايي پردازنده، ايجاد و تعدادي از ويژگي­‌هاي هر مجموعه، با نظارت حس‌گرها و شمارنده­‌هاي كارايي پردازنده ايجاد و همچنين، براي افزايش دقت هر يك از مدل­‌ها، تعدادي ويژگي با بهره­‌گيري از پردازش­‌هاي پيشنهادي فراهم و سپس، ويژگي­‌هاي مناسب براي هر يك از مدل­‌ها، با روش‌­هاي پيشنهادي در اين مقاله انتخاب مي‌­شود. ارزيابي مدل پيشنهادي براي پيش­‌بيني و كنترل دماي پردازنده براي فاصله­‌هاي زماني مختلف، كمتر از 0/6 درجه سانتي‌­گراد خطا دارد.

Increasing the number of cores in order to the demand of more computing power has led to increasing the processor temperature of a multi-core system. One of the main approaches for reducing temperature is the dynamic thermal management techniques. These methods divided into two classes, reactive and proactive. Proactive methods manage the processor temperature, by forecasting the temperature before reaching the threshold temperature. In this paper, the effects of using proper features for processor thermal management have been considered. In this regard, three models have been proposed for temperature prediction, control response estimation, and thermal management, respectively. A multi-layered perceptron neural network is used to predict the temperature and to control the response. Also, an adaptive neuro-fuzzy inference system is utilized for controlling temperature. An appropriate data set, which includes a variety of processor temperature variations, has been created to train each model. Some features of the dataset are collected by monitoring the thermal sensors and performance counters. In addition, a number of features are created by proposing processes to increase the accuracy of each model . Then, the features of each model are selected by the proposed method. The evaluation of the proposed model for predicting and controlling the processor temperature for different time distances is below 0.6 ° C.