面向众核体系结构空间特征感知的热管理研究

项目名称： 面向众核体系结构空间特征感知的热管理研究

项目编号： No.61303029

项目类型： 青年科学基金项目

立项/批准年度： 2014

项目学科： 自动化技术、计算机技术

项目作者： 袁景凌

作者单位： 武汉理工大学

项目金额： 25万元

中文摘要： 随着计算机系统规模增长及"大数据"各类应用，大量异构应用程序和线程并发执行，使性能需求不断提升，能耗问题日益突出。传统体系结构分析方法，以单纯细节模拟和统计分析为主，不适应大规模异构众核体系结构的分析需求。为了更全面、更智能地分析和利用体系结构特征，我们提出将大规模众核系统复杂负载的热行为映射成2D空间特征，并采用机器学习等方法进行特征分类和预测，以便更直观地指导资源优化和热管理。主要包括三项内容：（1）研究能获取丰富信息、可扩展的空间特征挖掘和分析方法，以较低开销有效地获取并分类典型的热空间模式；（2）研究基于机器学习的空间特征智能预测模型，快速重构相应配置众核系统复杂负载的热足迹；（3）研究空间特征感知的资源优化和热管理方法，建立热冲突最小化模型，并利用反馈和学习机制，全局协作地调度任务和进行动态热管理。研究成果将对提升复杂众核系统分析和评估的有效性，节省大规模系统能耗有重要意义。

中文关键词： 绿色计算；全局协作资源优化；热管理；机器学习；GPU

英文摘要： Faced with the ever-growing scale of computing systems and the rapid adoption of "big data" applications, many-core processors today need to handle concurrent execution of a large number of heterogeneous workloads/threads. As a result, there is a heightening demand of system characterization methodology for understanding the key tradeoff between high performance and energy efficiency. Conventional characterizing methods mainly focus on small-scale cycle-accurate architecture simulation and statistic performance analysis. These approaches typically ignore the spatial diversity across many cores, and therefore fail to keep pace with the scale of future multi-core integration. In order to achieve a comprenhensive analysis and intelligent application of many-core architecture characteristics, we propose a novel characterization methodology which captures the geospatial characteristics of many-core processore energy/thermal behavirs. Our approach innovatively leverages machine learning techniques to guide the dynamic resouce management across large-scale many-cores. Some highlights of this proposal include: 1) we investigate informative and scalable spatial characteristics mining and classifcation methods for understanding spatial patterns of processor thermal bethavior, 2) we study machine learning based predictive

英文关键词： Green computing；Global collaborative resource optimization；Thermal management；Machine learning；GPU