بررسی خطای SDAE در پیشبینی دمای سیستم‌های چندهسته‌ای مبتنی بر یادگیری عمیق و شبکه کانولوشن
بررسی خطای SDAE در پیشبینی دمای سیستم‌های چندهسته‌ای مبتنی بر یادگیری عمیق و شبکه کانولوشن
الهه قربانی1
1) فارغ التحصیل کارشناسی ارشد مهندسی کامپیوتر هوش مصنوعی و رباتیکز،دانشگاه آزاد اسلامی واحد قوچان،ایران
محل انتشار :
نهمین کنفرانس بین المللی تحقیقات پیشرفته در علوم، مهندسی و فناوری (setconf.ir)
چکیده :
چکیده:. قبل از پردازنده‌های چندهسته‌ای، برای افزایش کارایی از یک نسل به نسل دیگری از روش‌هایی مانند افزایش فرکانس بهره می‌گرفتند. فرکانس‌های بالا سبب افزایش اتلاف توان و افزایش حرارت در پردازنده‌ها می‌شود. به همین سبب، رویکرد دیگری برای افزایش عملکرد پردازنده معرفی گردید. روش‌های مدیریت دمای پویا، در زمان اجرای برنامه‌ها، دمای پردازنده را مدیریت می‌کنند. در مدیریت دما با رویکرد فعال، دمای پردازنده، با استفاده از یک مدل دمایی، پیش‌بینی‌شده و دما پیش از رسیدن به حد آستانه با روش‌های مختلف کنترل می‌شود. پارامترهای زیادی بر دمای پردازنده تأثیر می‌گذارند. از مهم‌ترین پارامترها، بارکاری اجرایی، فرکانس پردازنده و سرعت فن است. در این پژوهش، یک مدل ترکیبی از یادگیری عمیق و شبکه کانولشن برای پیشبینی دما پیشنهادشده است. برای آموزش مدل پیشنهادی، مجموعه داده‌هایی ایجاد کرده که شامل تنوع بالایی از تغییرات دمایی پردازنده است. برخی از ویژگی‌های مجموعه داده، با استفاده از حسگرهای دمایی و شمارنده‌های کارایی سیستم و تعدادی دیگر از ویژگی‌ها با استفاده از پردازش‌های پیشنهادی تولید می‌گردند.
واژگان کلیدی: سیستم چندهسته‌ای، مدیریت پویا دما، یادگیری عمیق، شبکه کانولشن
کلمات کلیدی :
واژگان کلیدی: سیستم چندهسته‌ای
مدیریت پویا دما
یادگیری عمیق
شبکه کانولشن