پیش بینی دما در پردازنده های چندهسته ای با استفاده از رگرسیون بردار پشتیبان

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 389

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-9-1_001

تاریخ نمایه سازی: 2 دی 1400

چکیده مقاله:

افزایش تعداد هسته های پردازنده به افزایش توان محاسباتی و به موجب آن، افزایش دمای پردازنده منجر می شود. کنترل و مدیریت دما در این پردازنده ها اهمیت زیادی دارد. مدیریت دما به دو رویکرد واکنشی و فعال تقسیم می شود. برخلاف رویکرد واکنشی، در روش های فعال، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش بینی و کنترل می شود. در این مقاله، برای پیش بینی دما، مدلی براساس SVR پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده های کارایی موجود در داخل پردازنده، مجموعه داده ای شامل تنوع زیادی از تغییرات دمایی جمع آوری شده است. برای افزایش دقت مدل، ویژگی های دیگری با نام های سابقه ای و کنترلی از ویژگی های موجود استخراج شده اند. برای کاهش سربار محاسباتی دو راهکار پیشنهاد شده است؛ یکی استفاده از دو مدل SVR و دیگری انتخاب ویژگی مناسب بر پایه اطلاعات متقابل. در انتها، مدل پیشنهادی برای پیشبینی دما برای فاصله های زمانی ۲ تا ۵ ثانیه، در شرایط کاری مختلف ارزیابی شده است. نتایج نشان می دهند با انتخاب ۱۱ ویژگی دمای ۲ ثانیه آینده با میانگین قدر مطلق خطای ۵/۰ درجه سانتی گراد پیش بینی می شود.

نویسندگان

جواد محبی نجم آباد

دانشجوی دکتری، دانشکده مهندسی کامپیوتر- دانشگاه صنعتی شاهرود – شاهرود - ایران

علی سلیمانی ایوری

دانشیار، دانشکده مهندسی کامپیوتر - دانشگاه صنعتی شاهرود – شاهرود - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • J. Kong, S. W. Chung, K. Skadron, "Recent thermal management ...
  • A. K. Coskun, T. S. Rosing, and K. C. Gross, ...
  • A. K. Coskun, T. S. Rosing, and K. C. Gross, ...
  • G. Liu, M. Fan, and G. Quan, "Neighbor-aware dynamic thermal ...
  • A. Kumar, L. Shang, L. S. Peh, and N. K. ...
  • M. Zaman, A. Ahmadi, and Y. Makris, "Workload characterization and ...
  • G. Yang, Q. Qiu, and Q. Wu, "A multi-agent framework ...
  • M. Stockman, M. Awad, H. Akkary, R. Khanna, "Thermal status ...
  • P. Kumar, D. Atienza, "Neural network based on-chip thermal simulator", ...
  • A. Vincenzi, A. Sridhar, M. Ruggiero, D. Atienza, "Fast thermal ...
  • R. Cochran, and S. Reda, "Thermal prediction and adaptive control ...
  • Z. Liu, T. Xu, S. X. D Tan, H. Wang, ...
  • K. J. Lee, K. Skadron, "Using performance counters for runtime ...
  • S. J. Lu, R. Tessier, W. Burleson, "Dynamic on-chip thermal ...
  • K. Skadron, M. R. Stan, W. Huang, S. Velusamy, K. ...
  • H. Peng, F. Long, C. Ding, "Feature selection based on ...
  • M. Mandal, A. Mukhopadhyay, "An improved minimum redundancy maximum relevance ...
  • N. Cristianini, J. Shawe-Taylor, "An introduction to support vector machines ...
  • R. K. Jain, K. M. Smith, P. J. Culligan, J. ...
  • L. Ge, J. Shi, P. Zhu, "Melt index prediction by ...
  • F. Li, D. Miao, W. Pedrycz, "Granular multi-label feature selection ...
  • N. Hoque, H. A. Ahmed, D. K. Bhattacharyya, J. K. ...
  • نمایش کامل مراجع