پيش‌بيني برخط دما در فازهاي مختلف دمايي براي سيستم‌هاي چندهسته‌اي

Online Thermal Prediction in Different Thermal Phases for Multicore Systems

افزايش تعداد هسته‌ها براي افزودن توان محاسباتي پردازنده‌ها، منجر به افزايش دما در سيستم‌هاي چندهسته‌اي مي‌گردد. لذا مديريت دما در اين پردازنده‌ها از اهميت بالايي برخوردار است. مديريت دما با رويكرد فعال، از يك مدل دمايي، براي پيش‌بيني دما پيش از رسيدن به دماي حدآستانه استفاده مي‌كند. در اين مقاله ويژگي‌هاي لازم براي پيش‌بيني دما با استفاده از ابزارهاي اندازه‌گيري سيستم خوانده شده و از آن‌ها ويژگي‌هاي سابقه‌اي و كنترلي با استفاده از پردازش‌هاي پيشنهادي ايجاد شده‌اند. يك مدل دمايي برخط مبتني بر چند فاز دمايي و براي هر فاز يك شبكه عصبي براي پيش‌بيني دما پيشنهاد شده است. فازهاي مختلف دمايي با توجه به پارامترهاي مؤثر بر دماي پردازنده با استفاده از شبكهٔ نظريه تشديد انطباقي شناسايي شده‌اند. براي هر يك از شبكه‌هاي عصبي، حداقل تعداد ويژگي‌هاي مناسب براي پيش‌بيني در فاز دمايي مربوطه، بر پايهٔ اطلاعات متقابل بين ويژگي‌ها انتخاب شده است. مدل دمايي پيشنهادي قادر است در زمان اجرا، در صورت برخورد با فاز دمايي جديد، آن را به مجموعهٔ فازها اضافه كرده و شبكه عصبي مناسب براي آن را ايجاد كند. نتايج نشان مي‌دهد در مدل دمايي پيشنهادي ميانگين قدرمطلق خطا براي فاصله‌هاي زماني مختلف كمتر از 1 درجه سانتي‌گراد است.

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.