بهینه‌سازی مدیریت توان در پردازنده‌های چندهسته‌ای با یادگیری ماشین و مقیاس‌بندی پویا ولتاژ و فرکانس

با کوچک‌تر شدن ترانزیستورها در پردازنده‌ها، مصرف انرژی کلی آن‌ها به‌جای کاهش، به دلیل افزایش تعداد ترانزیستورها، افزایش‌یافته است. این امر منجر به مشکلات حرارتی و کاهش کارایی کلی سیستم شده است. علاوه بر این، سالخوردگی مدارها نیز اهمیت زیادی پیدا کرده است؛ زیرا بر عملکرد و طول عمر پردازنده‌ها تاثیر منفی می‌گذارد. مقیاس‌بندی پویای ولتاژ و فرکانس، روشی برای مدیریت توان است که با تغییر ولتاژ و فرکانس پردازنده، مصرف انرژی را کاهش داده و طول عمر سیستم را بهبود می‌بخشد. در این مقاله، یک روش مبتنی بر یادگیری ماشین برای مدیریت توان در پردازنده‌های چندهسته‌ای معرفی می‌شود. این روش با بهره‌گیری از تحلیل ویژگی‌های ورودی و استفاده از الگوریتم درخت تصمیم‌گیری و تکنیک مقیاس‌بندی پویا ولتاژ و فرکانس، قادر است سطح بهینه‌ی ولتاژ و فرکانس هر هسته را پیش‌بینی و به‌صورت دقیق تخصیص دهد. نتایج ارزیابی نشان می‌دهد که مدل پیشنهادی با دقت 95 درصد قادر به پیش‌بینی عملکرد سیستم در شرایط کاری مختلف است و می‌تواند به‌طور موثر در طراحی سیستم‌های کم‌مصرف به کار گرفته شود.

optimization of power management in multi-core processors using machine learning and dynamic voltage and frequency scaling

as transistor sizes in processors continue to shrink, overall energy consumption has paradoxically increased due to the growing number of transistors. this trend has led to significant thermal challenges and a decline in system performance. additionally, circuit aging has become a major concern, adversely impacting both processor performance and longevity. dynamic voltage and frequency scaling (dvfs) is a widely used power management technique that mitigates energy consumption and enhances system durability by dynamically adjusting processor voltage and frequency. this paper introduces a novel machine learning-based approach for power management in multi-core processors. the proposed method utilizes input feature analysis and integrates a decision tree algorithm with dvfs techniques to precisely predict and allocate the optimal voltage and frequency for each core. evaluation results reveal that the model achieves a prediction accuracy of 95%, effectively forecasting system performance under various workloads. this approach offers a valuable contribution to the development of energy-efficient systems.