افزایش دما در پردازنده ­های چندهسته ­ای سبب افزایش توان مصرفی و کاهش طول عمر مفید پردازنده می­ شود. بهینه­ سازی انتساب کارها به هسته­ ها، راهکاری کارآمد برای مدیریت حرارتی این نوع پردازنده­ ها است. چالش اصلی در مسأله انتساب برخط، عدم قطعیت­ هایی است که محیط عملیاتی چندهسته ­ای با آنها روبرو می­ باشد­ که شامل: ورود تصادفی کارها به سیستم، جفت شدن تصادفی کارها با یکدیگر و تغییرات پروفایل دمایی تراشه در زمان می­ شود. در این مقاله، راهکاری برای انتساب برخط کارها به هسته­ ها ارائه شده است که در آن برای لحاظ سیستماتیک عوامل تصادفی، مسئله­ ی انتساب در قالب یک فرآیند تصمیم­ سازی مارکوف زمان-پیوسته مدل­ سازی می­ شود. برای محاسبه سیاست بهینه انتساب کارها،  الگوریتمی مبتنی بر یادگیری تقویتی زمان-پیوسته پیشنهاد شده است که می­ تواند بی­ نیاز از دانش از پیش در خصوص مدل احتمالاتی سیستم، تنها از طریق دریافت بازخوردهای واقعی در زمان اجرا، انتساب بر خط بهینه را تعیین نماید. همچنین، جهت تضمین کارکرد در ابعاد بالای مؤلفه ­های وضعیت سیستم (تعداد زیاد حسگر­های دمایی و صف نامتناهی)، از تکنیک تقریب تابع برای رفع معضل بُعدیت استفاده شده است. نتایج شبیه­ سازی نشان می­ دهند که راهکار پیشنهادی به اندازه­ ی 6 درجه­ ی سانتی­ گراد میانگین دمای بیشینه ­ی سیستم و به میزان 66 میلی ­ثانیه زمان سرویس کارها را کاهش ­­می­ دهد.

واژه‌های کلیدی: پردازنده های چندهسته ای، انتساب برخط کارها، مدیریت گرمایی و یادگیری تقویتی.

متن کامل [PDF 1387 kb]   (811 دریافت)