مديريت دماي پويا براي سيستم‌هاي چندهسته‌اي با كنترل فركانس پردازنده و سرعت فن

Dynamic Thermal Management by Controlling CPU Frequency and Fan Speed

طراحان ريزپردازنده‌ها از طراحي سيستم‌هاي چندهسته‌اي بر روي يك تراشه براي افزايش توان محاسباتي آن‌ها بهره مي‌برند. افزودن تعداد هسته‌ها، افزايش چگالي توان مصرفي و در پي آن افزايش دما را به‌دنبال دارد. براي كنترل و مديريت دما، روش‌هاي واكنشي و فعال معرفي شده‌اند. برخلاف روش‌هاي واكنشي كه بر اساس آستانه گذاري عمل مي‌كنند، روش‌هاي فعال با بهره‌گيري از يك مدل پيش‌بيني دما، مديريت دما را انجام مي‌دهند. در اين مقاله براي مديريت دما، مدلي براي پيش‌بيني دماي آينده و مدلي براي كنترل دما پيشنهاد شده و از دو شبكه عصبي پرسپترون چندلايه‌اي براي تحقق آن‌ها استفاده شده است. براي آموزش هر يك از مدل‌ها، مجموعه داده مناسب فراهم شده است. در اين مجموعه داده تعدادي از ويژگي‌ها با استفاده از حسگرها و سنجه‌هاي سيستم و ديگر ويژگي‌ها با پردازش‌هاي پيشنهادي فراهم شده‌اند. در اين راستا، براي پيش‌بيني دما، ويژگي‌هاي سابقه‌اي پيشنهاد شده‌اند. ويژگي‌هاي مناسب براي پيش‌بيني دما، با روش انتخاب ويژگي بر پايه اطلاعات متقابل و ويژگي‌هاي مناسب براي مدل كنترلي با بهره‌گيري از الگوريتم ژنتيك مبتني بر رتبه‌بندي نامغلوب، انتخاب شده‌اند. نتايج نشان مي‌دهند خطاي مدل پيش‌بيني براي فاصله‌هاي مختلف زماني حدود 0.5 درجه سانتي‌گراد است و خطاي مدل كنترل دما، در تعيين مقدار فركانس پردازنده و سرعت فن، به‌ترتيب 2 و 0.6 درصد است.

Microprocessor designers use the design of multicore systems on a chip to increase their computing power. Adding the number of cores leads to an increase in the power density, followed by enhancement of temperature. Reactive and proactive approaches are two sets of the methods for managing the temperature. Unlike the reactive methods that act based on threshold temperature, proactive approaches utilize a thermal prediction model in thermal management. In this paper, two multilayer perceptron neural networks has been used for thermal prediction and temperature control. An appropriate dataset is provided for training each model. This dataset consists of some features that are read by sensors and measurement tools and new features that are produced by proposed processes. In this regard, historical features are suggested for thermal model. Proper features of thermal model are selected by using feature selection based on mutual information. The temperature is controlled by setting the processor frequency and fan speed. The features of control model are selected by non-dominated sorting genetic algorithm. The error of thermal model for different time distances is about 0.5 °C. The thermal control model has respectively 2% and 0.6% errors in determining the processor frequency and fan speed.