مدیریت حرارتی پردازنده‌‌ها با استفاده از پیش‌بینی دما و یادگیری ماشین

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: مدیریت حرارتی پردازنده‌‌ها با استفاده از پیش‌بینی دما و یادگیری ماشین

ارائه دهنده: Provider: دانیال حاجی آقابابایی - رشته برق

اساتید راهنما: Supervisors: دکتر عباس رمضانی

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر محرم منصوری زاده - دکتر مهدی عباسی

زمان و تاریخ ارائه: Time and date of presentation: 1401/11/16 - 15:00

مکان ارائه: Place of presentation: سالن آمفی تئاتر مهندسی

چکیده: Abstract: امروزه با بالا رفتن و پیشرفته شدن تکنولوژی ساخت تراشه‌ها، چگالی توان مصرفی نیز رو به افزایش است. افزایش چگالی توان مصرفی منجر به افزایش دما شده است که این افزایش دما بر روی کارایی، قابلیت اطمینان، هزینه، طول عمر قطعات و توان ناشی از جریان نشتی تأثیر منفی گذاشته است. برای حل چالش افزایش دمای پردازنده، در حالت کلی از دو روش استاتیک و پویا می‌توان استفاده کرد. روش استاتیک در زمان طراحی تراشه‌ها و روش پویا در زمان اجرای برنامه‌ها توسط تراشه می‌تواند مورد استفاده قرار بگیرد. تکنیک‌های مختلف مدیریت پویای دما با استفاده از روش‌هایی که پیش‌تر انجام شده است و تخمین دما به همراه زمان‌بندی و مهاجرت وظایف، تنظیم ولتاژ و فرکانس، تزریق نخ‌ها و یا چرخه‌های بیکار ارائه شده‌اند. در مدیریت پویا از انواع روش‌ها در حوزه‌های مختلف به طور مثال، روش‌های فراابتکاری، الگوریتم‌های ژنتیک و یادگیری ماشین استفاده می‌شود. در نهایت، برخلاف رویکرد استاتیک، در روش‌های پویا، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش‌بینی و کنترل می‌شود. در این پژوهش، مدلی براساس ترکیب شبکه‌های CNN و LSTM پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده‌های کارایی موجود در داخل پردازنده، مجموعه داده‌ای شامل تنوع مناسبی از تغییرات دمایی جمع‌آوری شده است که برای جمع‌آوری این مجموعه داده‌ها نیز از اجرای دیتاست مبتنی بر برنامه CPUSPEC2006 استفاده شده است. برای افزایش دقت مدل، داده‌های دیگری با نام‌های ویژگی‌های سابقه‌ای و ویژگی‌های کنترلی از ویژگی‌های موجود استخراج شده است. در انتها، مدل پیشنهادی برای پیش‌بینی دما برای فاصله‌های زمانی 2 تا 5 ثانیه، در شرایط مختلف ارزیابی شده است. نتایج نشان می‌دهد با انتخاب این ویژگی‌ها دمای دو ثانیه آینده با میانگین قدر مطلق خطای کمتر از یک درجه سانتی‌گراد پیش‌بینی می‌شود.

فایل: ّFile: دانلود فایل