ارزیابی خطای MAE در پیش بینی دمای سیستم های چندهسته ای مبتنی بر یادگیری عمیق و شبکه کانولوشن

پردازنده های چندهسته ای، راه حلی برای تولید پردازنده هایی با عملکرد بالا و البته اجرا در فرکانس های پایین تر است. در سال های اخیر، دمای بالا و توان مصرفی زیاد در پردازنده های چندهسته ای به یک چالش اساسی برای سازندگان و کاربران این پردازنده ها تبدیل شده است. با رشد دمای پردازنده، هزینه های خنک سازی و مصرف توان افزایش یافته و طول عمر پردازنده کاهش می یابد. با افزایش دادن تعداد هسته های پردازنده، دمای آنها افزایش می یابد. برای جلوگیری از افزایش دمای پردازنده از حد آستانه، روش های مدیریت دما مورداستفاده قرار می گیرند. در این پژوهش، یک مدل ترکیبی از یادگیری عمیق و شبکه کانولشن برای پیش بینی دما پیشنهاد شده است. برای آموزش مدل پیشنهادی، مجموعه داده هایی ایجاد کرده که شامل تنوع بالایی از تغییرات دمایی پردازنده است. برخی از ویژگی های مجموعه داده، با استفاده از حسگرهای دمایی و شمارنده های کارایی سیستم و تعدادی دیگر از ویژگی ها با استفاده از پردازش های پیشنهادی تولید می گردند.

Keywords:

سیستم چندهسته ای , مدیریت پویا دما , یادگیری عمیق , شبکه کانولشن