پیش‌‌بینی دما در پردازنده‌‌های چندهسته‌‌ای با استفاده از رگرسیون بردار پشتیبان

افزایش تعداد هسته‌‌های پردازنده به افزایش توان محاسباتی و به ‌موجب آن، افزایش دمای پردازنده منجر می‌‌شود. کنترل و مدیریت دما در این پردازنده‌ها اهمیت زیادی دارد. مدیریت دما به دو رویکرد واکنشی و فعال تقسیم می‌‌شود. برخلاف رویکرد واکنشی، در روش‌‌های فعال، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش‌‌بینی و کنترل می‌‌شود. در این مقاله، برای پیش‌‌بینی دما، مدلی براساس svr پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده‌‌های کارایی موجود در داخل پردازنده، مجموعه‌‌داده‌‌ای شامل تنوع زیادی از تغییرات دمایی جمع‌آوری شده است. برای افزایش دقت مدل، ویژگی‌‌های دیگری با نام‌‌های سابقه‌‌ای و کنترلی از ویژگی‌های موجود استخراج شده‌اند. برای کاهش سربار محاسباتی دو راهکار پیشنهاد شده است؛ یکی استفاده از دو مدل svr و دیگری انتخاب ویژگی مناسب بر پایۀ اطلاعات متقابل. در انتها، مدل پیشنهادی برای پیش‏بینی دما برای فاصله‌‌های زمانی 2 تا 5 ثانیه، در شرایط کاری مختلف ارزیابی شده است. نتایج نشان می‌‌دهند با انتخاب 11 ویژگی دمای 2 ثانیه آینده با میانگین قدر مطلق خطای 0.5 درجۀ سانتی‌گراد پیش‌بینی می‌‌‌شود.

Thermal Prediction in Multicore processors using Support Vector Regression

Increasing the number of processor cores leads to increasing the density of the computing power processor and also raising the temperature. Temperature management is very important in these processors. Thermal management methods are introduced to reduce the CPU temperature. Reactive and proactive approaches are two sets of these schemes. Unlike the reactive techniques, proactive methods predict the temperature using thermal prediction model before reaching its threshold. In this paper, a hybrid model of several SVR models is proposed for predicting temperature. An appropriate dataset is created for training proposed model that includes a high diversity of processor temperature variations. Some features of dataset are measured using temperature sensors and system performance counters. Other features, with historical and control names are calculated with the proposed processes to increase the accuracy of thermal model. Two SVR models are used in the proposed thermal model to reduce its operational overhead. The proper features for each SVR model are selected by the feature selection algorithm based on mutual information. The proposed model is evaluated for temperature prediction for 2 to 5 time distances. The results show that with a selection of 11 features for thermal prediction model of the next 2 seconds, the mean absolute error is about 0.5 °C.