مروری براستفاده از یادگیری ماشین در مدیریت قابلیت اطمینان پردازنده های چندهسته ای

یکپارچگی ترانزیستورها به همراه افزایش محدودیتها در مقیاس بندی ولتاژ برای فناوریهای نسل بعدی، سبب بروز مشکل سیلیکون تیره، تراکم توان و درجه حرارت بالا در سیستمهای چند هسته ای میشود. اگر هزینه های خنککننده به شرط عدم نقض محدودیتهای حرارتی تراشه ثابت نگه داشته شود، دیگر نمیتوان بهطور همزمان تمام هسته های روی تراشه را در سطح عملیاتی فعال کرد. در صورت عدم توجه، این مسئله منجر به نقاط داغی میشود که به نوبهی خود باعث ایجاد پیری غیریکنواخت، تسریع در شکست تراشه، کاهش قابلیت اطمینان و کاهش عملکرد در سیستم میشود. مقیاس بندی ولتاژ و فرکانس یک از روشهای مدیریت توان است که برای نظارت بر بار کاری سیستم و تصمیمگیری در مورد عملکرد ( ولتاژ و فرکانس) هسته های مختلف در یک سیستم چند هسته ای در جهت صرفهجویی بیشتر در توان مورداستفاده قرار میگیرد که خود باعث سربار اضافی برای سیستم میشود. تکنیکهای سنتی مدیریت توان به دانش پیشین خاصی از مدل حرارتی تراشه و اطلاعاتی مربوط به حجم کاری برنامه های در حال اجرا وابسته هستند. نتایج تجربی نشان داده است که تکنیکهای مدیریت توان مبتنی بر روشهای یادگیری ماشین، صرفهجویی در انرژی سیستم تحت بارهای متفاوت را تضمین میکند. همچنین این تکنیکها هم با تغییرات سیستم و هم با حجم کاری سازگاری دارند و سیستم با استفاده از یادگیری از رویدادهای گذشته باعث بهبود تصمیمات مدیریت توان میشود. در این مقاله، تکنیکهای یادگیری ماشین برای مدیریت توان، دما و کارایی بر روی پردازنده های تک یا چند هسته ای معرفی و بررسی شده اند.

Keywords:

مدیریت توان , قابلیت اطمینان , یادگیری ماشین , مقیاس بندی پویای ولتاژ و فرکانس