fa بهینه سازی انتساب برخط کارها در سیستم های پردازشی چندهسته ای برای مدیریت پویای گرمایش الکترونیک Electronic پژوهشي Research <span dir="RTL">افزایش دما در پردازنده &shy;های چندهسته &shy;ای سبب افزایش توان مصرفی و کاهش طول عمر مفید پردازنده می&shy; شود. بهینه&shy; سازی انتساب کارها به هسته&shy; ها، راهکاری کارآمد برای مدیریت حرارتی این نوع پردازنده&shy; ها است. چالش اصلی در مسأله انتساب برخط، عدم قطعیت&shy; هایی است که محیط عملیاتی چندهسته &shy;ای با آنها روبرو می&shy; باشد&shy; که شامل: ورود تصادفی کارها به سیستم، جفت شدن تصادفی کارها با یکدیگر و تغییرات پروفایل دمایی تراشه در زمان می&shy; شود. در این مقاله، راهکاری برای انتساب برخط کارها به هسته&shy; ها ارائه شده است</span> که در آن برای لحاظ سیستماتیک عوامل تصادفی، مسئله&shy; ی انتساب در قالب یک فرآیند تصمیم&shy; سازی مارکوف زمان-پیوسته مدل&shy; سازی می&shy; شود. برای محاسبه سیاست بهینه انتساب کارها، &nbsp;الگوریتمی مبتنی بر یادگیری تقویتی زمان-پیوسته پیشنهاد شده است که می&shy; تواند بی&shy; 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 &shy;های وضعیت سیستم (تعداد زیاد حسگر&shy;های دمایی و صف نامتناهی)، از تکنیک تقریب تابع برای رفع معضل بُعدیت استفاده شده است. نتایج شبیه&shy; سازی نشان می&shy; دهند که راهکار پیشنهادی به اندازه&shy; ی 6 درجه&shy; ی سانتی&shy; گراد میانگین دمای بیشینه &shy;ی سیستم و به میزان 66 میلی &shy;ثانیه زمان سرویس کارها را کاهش <strong>&shy;&shy;</strong><span dir="RTL">می&shy; دهد.</span> Increase in chip temperature causes more power consumption in multi core processors and decreases the CPU lifetime. The optimization of online task assignment to processing cores is an efficient approach to control chip-wide temperature distribution. However, task assignment faces some uncertainties in the system (including: stochastic task arrival, random task pairings, and time-varying thermal profile variations). In this paper, an online task to core assignment approach is presented which uses Semi-Markov Decision Process to prevent performance reduction and considers randomness and uncertainties in system. As the transitional properties are not accessible and due to high dimension of system state components, the proposed approach uses function approximation to approximate action values in any system state. The simulation results show 6 centigrade decrease in system average peak temperature and 66 milliseconds decreases in task service time. پردازنده های چندهسته ای, انتساب برخط کارها, مدیریت گرمایی و یادگیری تقویتی. Multi-core Processors, Online Task Assignment, Thermal Management and Reinforcement Learning 129 140 http://jiaeee.com/browse.php?a_code=A-10-1548-1&slc_lang=fa&sid=1 Farnaz Niknia فرناز نیک نیا Niknia_farnaz@comp.iust.ac.ir 10031947532846006645 10031947532846006645 No Iran University of Science and Technology دانشگاه علم و صنعت ایران Vesal Hakami وصال حکمی vhakami@iust.ac.ir 10031947532846006644 10031947532846006644 Yes Iran University of Science and Technology دانشگاه علم و صنعت ایران