پیش‌بینی برخط دما در فازهای مختلف دمایی برای سیستم‌های چندهسته‌ای

افزایش تعداد هسته‌ها برای افزودن توان محاسباتی پردازنده‌ها، منجر به افزایش دما در سیستم‌های چندهسته‌ای می‌گردد. لذا مدیریت دما در این پردازنده‌ها از اهمیت بالایی برخوردار است. مدیریت دما با رویکرد فعال، از یک مدل دمایی، برای پیش‌بینی دما پیش از رسیدن به دمای حدآستانه استفاده می‌کند. در این مقاله ویژگی‌های لازم برای پیش‌بینی دما با استفاده از ابزارهای اندازه‌گیری سیستم خوانده شده و از آن‌ها ویژگی‌های سابقه‌ای و کنترلی با استفاده از پردازش‌های پیشنهادی ایجاد شده‌اند. یک مدل دمایی برخط مبتنی بر چند فاز دمایی و برای هر فاز یک شبکه عصبی برای پیش‌بینی دما پیشنهاد شده است. فازهای مختلف دمایی با توجه به پارامترهای موثر بر دمای پردازنده با استفاده از شبکهٔ نظریه تشدید انطباقی شناسایی شده‌اند. برای هر یک از شبکه‌های عصبی، حداقل تعداد ویژگی‌های مناسب برای پیش‌بینی در فاز دمایی مربوطه، بر پایهٔ اطلاعات متقابل بین ویژگی‌ها انتخاب شده است. مدل دمایی پیشنهادی قادر است در زمان اجرا، در صورت برخورد با فاز دمایی جدید، آن را به مجموعهٔ فازها اضافه کرده و شبکه عصبی مناسب برای آن را ایجاد کند. نتایج نشان می‌دهد در مدل دمایی پیشنهادی میانگین قدرمطلق خطا برای فاصله‌های زمانی مختلف کمتر از 1 درجه سانتی‌گراد است.

Online Thermal Prediction in Different Thermal Phases for Multicore Systems

Increasing the number of cores to enhance computing power of processors leads to an increase in temperature for multicore systems. Thermal management is significant challenge in these processors. A proactive dynamic thermal management uses a thermal model to predict the temperature before processor temperature reaches the threshold. In this paper, some appropriate features for thermal model are read by using system measurement tools. Other features as historical and control features are created using the proposed processes. An online thermal model based on several thermal phase is proposed. For each phase, a neural network is used to forecast temperature. Different thermal phases are identified according to the parameters affecting the processor temperature using the adaptive resonance theory network. For each of the neural networks, the minimum number of proper features is selected based on the mutual information between the features. The proposed thermal model is able to detect new thermal phase at run time. Then, appropriate neural network is created for new phase. The proposed model has been evaluated to predict temperature for different time distances. The results shows the mean absolute error is less than 1 °C.