دوره 22، شماره 1 - ( مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 1 1404 )
جلد 22 شماره 1 صفحات 109-99 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
ziaee F, Ghazvini M, Kaedi M. Power Management Optimization in Multi-Core Processors via Machine Learning and DVFS. Journal of Iranian Association of Electrical and Electronics Engineers 2025; 22 (1) :99-109
URL: http://jiaeee.com/article-1-1583-fa.html
URL: http://jiaeee.com/article-1-1583-fa.html
ضیایی فریده، قزوینی مهدیه، کائدی مرجان. بهینه‌سازی مدیریت توان در پردازنده‌های چندهسته‌ای با یادگیری ماشین و مقیاس‌بندی پویا ولتاژ و فرکانس. نشریه مهندسی برق و الکترونیک ایران. 1404; 22 (1) :99-109
بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان
چکیده: (770 مشاهده)
با کوچک‌تر شدن ترانزیستورها در پردازنده‌ها، مصرف انرژی کلی آن‌ها به‌جای کاهش، به دلیل افزایش تعداد ترانزیستورها، افزایش‌یافته است. این امر منجر به مشکلات حرارتی و کاهش کارایی کلی سیستم شده است. علاوه بر این، سالخوردگی مدارها نیز اهمیت زیادی پیدا کرده است؛ زیرا بر عملکرد و طول عمر پردازنده‌ها تأثیر منفی می‌گذارد. مقیاس‌بندی پویای ولتاژ و فرکانس، روشی برای مدیریت توان است که با تغییر ولتاژ و فرکانس پردازنده، مصرف انرژی را کاهش داده و طول عمر سیستم را بهبود می‌بخشد. در این مقاله، یک روش مبتنی بر یادگیری ماشین برای مدیریت توان در پردازنده‌های چندهسته‌ای معرفی می‌شود. این روش با بهره‌گیری از تحلیل ویژگی‌های ورودی و استفاده از الگوریتم درخت تصمیم‌گیری و تکنیک مقیاس‌بندی پویا ولتاژ و فرکانس، قادر است سطح بهینه‌ی ولتاژ و فرکانس هر هسته را پیش‌بینی و به‌صورت دقیق تخصیص دهد. نتایج ارزیابی نشان می‌دهد که مدل پیشنهادی با دقت ۹۵ درصد قادر به پیش‌بینی عملکرد سیستم در شرایط کاری مختلف است و می‌تواند به‌طور مؤثر در طراحی سیستم‌های کم‌مصرف به کار گرفته شود.
واژه‌های کلیدی: پردازنده‌های چندهسته‌ای، مدیر توان، یادگیری ماشین، مقیاس‌بندی پویای ولتاژ و فرکانس، الگوریتم درخت تصمیم‌گیری
چکیده مبسوط [PDF 266 KB] (14 دریافت)
فهرست منابع
1. [1] شرفینژاد، سیدرضا. علیزاده، بیژن. "درستی‌سنجی صوری معماری مدیریت توان در سطح سیستم برای پردازنده‌های مدرن"، نشریه مهندسی برق و الکترونیک ایران، سال هجدهم، شماره چهارم، زمستان 1400.
2. [2] نوری، مسعود. بکرانی، مهدی. "آینه جریان توان پایین مبتنی بر ماسفت با گیت شبه شناور"، نشریه مهندسی برق و الکترونیک ایران، سال بیست و یکم، شماره اول، بهار 1403.
3. [3] P. Manoj, A. Jantsch, and M. Shafique, "SmartDPM: Machine Learning-Based Dynamic Power Management for Multi-Core Microprocessors", Journal of Low Power Electronics, vol. 14, no. 4, pp. 460-474, 2018. [DOI:10.1166/jolpe.2018.1576]
4. [4] L. R. Juracy, M. T. Moreira, A. d. M. Amory, and F. G. Moraes, "A survey of aging monitors and reconfiguration techniques", arXiv preprint arXiv:2007.07829, 2020.
5. [5] S. Pagani, P. S. Manoj, A. Jantsch, and J. Henkel, "Machine learning for power, energy, and thermal management on multicore processors: A survey", IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 39, no. 1, pp. 101-116, 2018. [DOI:10.1109/TCAD.2018.2878168]
6. [6] F. A. Endo, "Génération dynamique de code pour l'optimisation énergétique", Université Grenoble Alpes (ComUE), 2015.
7. [7] H. Jung and M. Pedram, "Supervised learning based power management for multicore processors", IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 29, no. 9, pp. 1395-1408, 2010. [DOI:10.1109/TCAD.2010.2059270]
8. [8] H. Shen, J. Lu, and Q. Qiu, "Learning based DVFS for simultaneous temperature, performance and energy management", in Thirteenth International Symposium on Quality Electronic Design (ISQED), 2012, pp. 747-754: IEEE. [DOI:10.1109/ISQED.2012.6187575]
9. [9] Panda, Prasanta, Aruna Tripathy, and Kanhu Charan Bhuyan. "Reinforcement Learning-Based Dynamic Voltage and Frequency Scaling for Energy-Efficient Computing", 2024 Third International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE). IEEE, 2024. [DOI:10.1109/ICDCECE60827.2024.10549241]
10. [10] K. Yu, "Deep Reinforcement Learning Based DVFS Algorithm Frameworks", SWINBURNE UNIVERSITY OF TECHNOLOGY, 2022.
11. [11] Tian, Zhongyuan, et al. "Collaborative power management through knowledge sharing among multiple devices", IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems 38.7 (2018): 1203-1215. [DOI:10.1109/TCAD.2018.2837131]
12. [12] S. K. Thethi and R. Kumar, "Power optimization of a single-core processor using LSTM based encoder-decoder model for online DVFS", Sādhanā, vol. 48, no. 2, p. 37, 2023. [DOI:10.1007/s12046-023-02086-3]
13. [13] S. Yue, D. Zhu, Y. Wang, and M. Pedram, "Reinforcement learning based dynamic power management with a hybrid power supply", in 2012 IEEE 30th International Conference on Computer Design (ICCD), 2012, pp. 81-86: IEEE. [DOI:10.1109/ICCD.2012.6378621]
14. [14] L. Li et al., "An Improved Q-Learning for System Power Optimization with Temperature, Performance and Energy Constraint Modeling", in 2020 IEEE Conference on Telecommunications, Optics and Computer Science (TOCS). [DOI:10.1109/TOCS50858.2020.9339699]
15. [15] A. Das, R. A. Shafik, G. V. Merrett, B. M. Al-Hashimi, A. Kumar, and B. Veeravalli, "Reinforcement learning-based inter-and intra-application thermal optimization for lifetime improvement of multicore systems", in Proceedings of the 51st Annual Design Automation Conference, 2014, pp. 1-6. [DOI:10.1145/2593069.2593199]
16. [16] A. Iranfar, S. N. Shahsavani, M. Kamal, and A. Afzali-Kusha, "A heuristic machine learning-based algorithm for power and thermal management of heterogeneous MPSoCs", in 2015 IEEE/ACM International Symposium on Low Power Electronics and Design (ISLPED), 2015, pp. 291-296: IEEE. [DOI:10.1109/ISLPED.2015.7273529]
17. [17] A. Yeganeh-Khaksar, M. Ansari, S. Safari, S. Yari-Karin, and A. Ejlali, "Ring-DVFS: Reliability-aware reinforcement learning-based DVFS for real-time embedded systems", IEEE Embedded Systems Letters, vol. 13, no. 3, pp. 146-149, 2020. [DOI:10.1109/LES.2020.3033187]
18. [18] S. Kim, K. Bin, S. Ha, K. Lee, and S. Chong, "zTT: Learning-based DVFs with zero thermal throttling for mobile devices", in Proceedings of the 19th Annual International Conference on Mobile Systems, Applications, and Services, 2021, pp. 41-53. [DOI:10.1145/3458864.3468161]
19. [19] C. Robert, "Machine learning, a probabilistic perspective", ed: Taylor & Francis, 2014. [DOI:10.1080/09332480.2014.914768]
20. [20] M. P. Deisenroth, A. A. Faisal, and C. S. Ong, Mathematics for machine learning. Cambridge University Press, 2020. [DOI:10.1017/9781108679930]
21. [21] Y. Wang and M. Pedram, "Model-free reinforcement learning and bayesian classification in system-level power management", IEEE Transactions on Computers, vol. 65, pp. 3713-3726, 2016. [DOI:10.1109/TC.2016.2543219]
22. [22] V. Spiliopoulos, A. Bagdia, A. Hansson, P. Aldworth, and S. Kaxiras, "Introducing DVFS-management in a full-system simulator", in 2013 IEEE 21st International symposium on modelling, analysis and simulation of computer and telecommunication systems, 2013, pp. 535-545: IEEE. [DOI:10.1109/MASCOTS.2013.75]
23. [23] S. K. Thethi and R. Kumar, "Online DVFS using Deep Learning: Sequence to Sequence LSTM Networks with Attention", 2022. [DOI:10.36227/techrxiv.21539991]
24. [24] Yu, Ke, et al. "An improved DVFS algorithm for energy-efficient real-time task scheduling", 2020 IEEE 22nd International Conference on High Performance Computing and Communications; IEEE 18th International Conference on Smart City; IEEE 6th International Conference on Data Science and Systems (HPCC/SmartCity/DSS). IEEE, 2020. [DOI:10.1109/HPCC-SmartCity-DSS50907.2020.00033]
25. [25] Yu, Ke, et al. "A Framework for Deep Q-Learning Based Hybrid DVFS Algorithms for Real-Time Systems", 2021 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking (ISPA/BDCloud/SocialCom/SustainCom). IEEE, 2021. [DOI:10.1109/ISPA-BDCloud-SocialCom-SustainCom52081.2021.00127]
26. [26] P. Pillai and K. G. Shin, "Real-time dynamic voltage scaling for low-power embedded operating systems", in Proceedings of the eighteenth ACM symposium on Operating systems principles, 2001, pp. 89-102. [DOI:10.1145/502034.502044]
27. [27] Farzane Nakhaee et al. 2017. Lifetime improvement by exploiting aggressive voltage scaling during runtime of error-resilient applications. Integration, the VLSI Journal (2017). [DOI:10.1016/j.vlsi.2017.10.013]
28. [28] Carvalho, Sidartha AL, Daniel C. Cunha, and Abel G. Silva-Filho. "On the use of nonlinear methods for low-power CPU frequency prediction based on Android context variables", 2016 IEEE 15th International Symposium on Network Computing and Applications (NCA). IEEE, 2016. [DOI:10.1109/NCA.2016.7778627]
29. [29] Patterson, David A. "Computer Organization and Design", (2022).
30. [30] C. Robert, "Machine learning, a probabilistic perspective", ed: Taylor & Francis, 2014. [DOI:10.1080/09332480.2014.914768]
31. [31] M. P. Deisenroth, A. A. Faisal, and C. S. Ong, Mathematics for machine learning: Cambridge University Press, 2020. [DOI:10.1017/9781108679930]
32. [32] Cormen, Thomas H., et al. Introduction to algorithms. MIT press, 2022.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
