系統級動態(tài)熱管理關鍵技術研究.pdf

1、處理器制造技術的飛速發(fā)展使得更多的計算資源被集中在一塊很小的芯片上。單位面積計算資源的增加使得處理器的功耗密度和局部溫度急劇上升從而形成溫度熱點（HotSpot）。片上溫度不均給處理器及其冷卻系統的設計帶來很多挑戰(zhàn)，同時有可能導致處理器運行時的邏輯錯誤甚至永久性的物理損傷。另一方面，冷卻系統是按處理器最高工作負載的熱狀態(tài)來設計，而大多數情況下處理器并不處于高負載的狀態(tài)，這就意味著冷卻系統的設計成本被變相的增大。低功耗，低能耗和熱耗管理技

2、術可對系統的溫度進行在線控制，這就從一定程度上減少了冷卻系統的設計成本。因此設計有效的處理器溫度動態(tài)控制技術變得越來越重要。
　　 本文在前人工作的基礎上，充分調研了體系結構支持的多種可被利用的系統溫度控制手段，例如動態(tài)電壓頻率縮放（DVFS），動態(tài)功耗管理（DPM，和操作系統層的各種資源管理手段，例如任務調度，內存分配等的優(yōu)勢與劣勢。最終采用靈活性更強，控制面更大的系統級動態(tài)熱耗控制技術（主要是任務調度）進行處理器的溫度控制。

3、
　　 本論文開展的主要研究工作包括：
　　 1.分析目前計算機發(fā)展特別是處理器發(fā)展過程中出現的嚴峻挑戰(zhàn)，說明控制處理器溫度的重要性和緊迫性。同時介紹國內外關于處理器溫度控制的研究成果和現狀。
　　 2.分析工作負載對處理器溫度的影響，刻畫工作負載的冷熱特征并找到在線溫度控制的機會。提出動靜態(tài)參數相結合的工作負載刻畫方法，并在此基礎上進行任務的冷熱特征刻畫。
　　 3.分析應用程序體系結構級的運行特征，提

4、出高速緩存缺失分布（Cache Miss Distribution）與平均每指令時鐘周期數（CPI）相結合的工作負載刻畫方法，并在此基礎上進行任務的冷熱特征刻畫。
　　 4.一方面提出基于啟發(fā)式匹配規(guī)則的溫度感知的任務調度方法。另一方面將溫度感知的任務調度問題形式化為在線學習模型。在線學習是機器學習理論的一種，該方法將過去系統的所有狀態(tài)作為當前決策的一種依據，并通過判斷不同決策的損失程度來決定最終的選擇。
　　 5.設計

5、時間片縮放（Time-Slice Scaling）和間隔調度（Alternative Scheduling）機制來進一步降低程序運行時處理器的峰值溫度并縮短峰值溫度的持續(xù)時間。
　　 6.在真實的Linux操作系統中對于上述在線控制技術的設計和實現。
　　 本論文研究的新貢獻如下：
　　 1.將機器學習的理論應用到處理器溫度的在線控制，并設計了一套完整的在線學習方法，使得處理器溫度控制技術有了一定的理論保證。