انتخاب ویژگی پیشنهادی برای مدیریت دمای پویا در سیستم‌های چندهسته‌ای

افزایش تعداد هسته ها، به منظور افزایش توان محاسباتی یک سیستم چندهسته ای، منجر به افزایش دمای پردازنده می شود. یکی از راه کارهای معمول برای کاهش دما، روش های کنش گراست. این روش ها، با پیش بینی دما پیش از رسیدن به دمای حدآستانه، مدیریت دما را انجام می دهند. در این مقاله، اثر استفاده از ویژگی های مناسب برای مدیریت دمای پردازنده موردتوجه قرار گرفته است. برای مدیریت دما، سه مدل، به ترتیب برای پیش بینی دما، پیش بینی پاسخ دمایی و کنترل دما پیشنهاد شده است. در این راستا، از شبکه عصبی پرسپترون چندلایه ای برای پیش بینی دما و پاسخ دمایی و از سامانه استنتاج عصبیفازی وفقی به منظور مدیریت دما استفاده می شود. برای آموزش هر یک از مدل ها، مجموعه داده ای با تنوع بالا از حالات مختلف دمایی پردازنده، ایجاد و تعدادی از ویژگی های هر مجموعه، با نظارت حس گرها و شمارنده های کارایی پردازنده ایجاد و همچنین، برای افزایش دقت هر یک از مدل ها، تعدادی ویژگی با بهره گیری از پردازش های پیشنهادی فراهم و سپس، ویژگی های مناسب برای هر یک از مدل ها، با روش های پیشنهادی در این مقاله انتخاب می شود. ارزیابی مدل پیشنهادی برای پیش بینی و کنترل دمای پردازنده برای فاصله های زمانی مختلف، کمتر از 0.6 درجه سانتی گراد خطا دارد.

Proposed Feature Selection for Dynamic Thermal Management in Multicore Systems

Increasing the number of cores in order to the demand of more computing power has led to increasing the processor temperature of a multicore 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 multilayered perceptron neural network is used to predict the temperature and to control the response. Also, an adaptive neurofuzzy 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.