الهه قربانی - کارشناسی ارشد رشته مهندسی کامپیوتر هوش مصنوعی و رباتیکز،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی، واحد قوچان

قبل از پردازنده های چندهسته ای، برای افزایش کارایی از یک نسل به نسل دیگری از روش هایی مانند افزایشفرکانس بهره می گرفتند. فرکانس های بالا سبب افزایش اتلاف توان و افزایش حرارت در پردازنده ها می شود. به همین سبب،رویکرد دیگری برای افزایش عملکرد پردازنده معرفی گردید. روش های مدیریت دمای پویا، در زمان اجرای برنامه ها، دمایپردازنده را مدیریت می کنند. در مدیریت دما با رویکرد فعال، دمای پردازنده، با استفاده از یک مدل دمایی، پیش بینی شده و دماپیش از رسیدن به حد آستانه با روش های مختلف کنترل می شود. پارامترهای زیادی بر دمای پردازنده تاثیر می گذارند. ازمهمترین پارامترها، بارکاری اجرایی، فرکانس پردازنده و سرعت فن است. در این پژوهش، یک مدل ترکیبی از یادگیری عمیق وشبکه کانولشن برای پیش بینی دما پیشنهاد شده است. برای آموزش مدل پیشنهادی، مجموعه داده هایی ایجاد کرده که شاملتنوع بالایی از تغییرات دمایی پردازنده است. برخی از ویژگی های مجموعه داده، با استفاده از حسگرهای دمایی و شمارنده هایکارایی سیستم و تعدادی دیگر از ویژگی ها با استفاده از پردازش های پیشنهادی تولید می گردند.

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