基于多核微处理器温度感知的线程调度算法

由于多核微处理消耗更多的能量,导致其热点数目增加,温度分布不平衡加剧,因而对性能产生更大的负面影响。为了解决这个问题,提出一种基于多核微处理器温度感知的线程调度算法来减少热紧急事件、提高性能,并在一个Intel的多核微处理器平台上实现了该算法。实验结果表明,在各种负载组合下,该算法可以减少9.6%~78.5%的动态热管理次数。与Linux标准调度算法相比,吞吐率平均可以提高5.2%,最大可提高9.7%。     

基于强化学习的温度感知多核任务调度

随着计算机中内核数量的增多,温度感知的多核任务调度算法成为计算机系统中的一个研究热点.近几年机器学习在各个领域展现出巨大的潜力,很多基于机器学习的系统温度管理研究工作应运而生.其中强化学习因其较强的自适应性,被广泛的运用于温度感知的任务调度算法中.然而目前基于强化学习的温度感知任务调度算法系统建模不够准确,很难做到温度、性能和复杂度的较好权衡.因此,本文提出一种新的基于强化学习的多核温度感知调度算法-ReLeTA,在新的算法中提出了更全面的状态建模方式和更加有效的奖励函数,从而帮助系统进一步降低温度.实验部分通过三个不同的真实计算机平台验证所提方法,实验结果表明了本文所提出方法的有效性以及可扩展性,相比现有方法ReLeTA可以更好的控制系统温度.     

一种模块级的温度感知漏电功耗估计策略

针对CMOS集成电路设计对芯片漏电功耗估算的要求以及漏电功耗与温度呈指数依赖关系的特点,提出了一种温度感知的模块级漏电功耗估计策略.该策略通过在漏电功耗估计过程中引入热分析技术,把模块由于自身耗能所引起的温度变化及时反馈到漏电功耗估计过程中,从而精确计算出模块在工作温度实时变化条件下的漏电功耗.其核心是在功耗估算过程中建立温度-功耗循环,此循环的基础是漏电建模和散热建模.该策略可以较好地克服传统的漏电功耗估计方法不能反映温度实时变化的影响的缺陷,有效提高门级漏电功耗估计方法的准确度.通过对实验数据进行分析,论证了这一策略的有效性.