مدیریت دمای پویا برای سیستم‌های چندهسته‌ای با کنترل فرکانس پردازنده و سرعت فن

طراحان ریزپردازنده‌ها از طراحی سیستم‌های چندهسته‌ای بر روی یک تراشه برای افزایش توان محاسباتی آن‌ها بهره می‌برند. افزودن تعداد هسته‌ها، افزایش چگالی توان مصرفی و در پی آن افزایش دما را به‌دنبال دارد. برای کنترل و مدیریت دما، روش‌های واکنشی و فعال معرفی شده‌اند. برخلاف روش‌های واکنشی که بر اساس آستانه گذاری عمل می‌کنند، روش‌های فعال با بهره‌گیری از یک مدل پیش‌بینی دما، مدیریت دما را انجام می‌دهند. در این مقاله برای مدیریت دما، مدلی برای پیش‌بینی دمای آینده و مدلی برای کنترل دما پیشنهاد شده و از دو شبکه عصبی پرسپترون چندلایه‌ای برای تحقق آن‌ها استفاده شده است. برای آموزش هر یک از مدل‌ها، مجموعه داده مناسب فراهم شده است. در این مجموعه داده تعدادی از ویژگی‌ها با استفاده از حسگرها و سنجه‌های سیستم و دیگر ویژگی‌ها با پردازش‌های پیشنهادی فراهم شده‌اند. در این راستا، برای پیش‌بینی دما، ویژگی‌های سابقه‌ای پیشنهاد شده‌اند. ویژگی‌های مناسب برای پیش‌بینی دما، با روش انتخاب ویژگی بر پایه اطلاعات متقابل و ویژگی‌های مناسب برای مدل کنترلی با بهره‌گیری از الگوریتم ژنتیک مبتنی بر رتبه‌بندی نامغلوب، انتخاب شده‌اند. نتایج نشان می‌دهند خطای مدل پیش‌بینی برای فاصله‌های مختلف زمانی حدود 0.5 درجه سانتی‌گراد است و خطای مدل کنترل دما، در تعیین مقدار فرکانس پردازنده و سرعت فن، به‌ترتیب 2 و 0.6 درصد است.

Dynamic Thermal Management by Controlling CPU Frequency and Fan Speed

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 nondominated 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.