بهینه سازی انتساب برخط کارها در سیستم های پردازشی چندهسته ای برای مدیریت پویای گرمایش
Publish place: Journal of Iranian Association of Electrical and Electronics Engineers، Vol: 17، Issue: 3
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 261
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-17-3_013
تاریخ نمایه سازی: 3 اسفند 1399
Abstract:
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.
Keywords:
Multi-core Processors , Online Task Assignment , Thermal Management and Reinforcement Learning , پردازنده های چندهسته ای , انتساب برخط کارها , مدیریت گرمایی و یادگیری تقویتی.
Authors
فرناز نیک نیا
Iran University of Science and Technology
وصال حکمی
Iran University of Science and Technology
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :