论文部分内容阅读
工艺技术不断发展,集成多核系统的功率密度不断增加,引起了严重的热相关问题,包括系统可靠性和性能退化。为了解决热问题,科学家们提出了许多动态热管理方法。在线芯片热分布预测对动态热管理具有重要意义。现在绝大多数研究集中在芯片热分布估计而不是芯片热分布预测,而且这些研究对动态功率的依赖很强。至于温度预测方面,现有的研究基本只能预测局部热点,不能预测芯片热分布。在没有功率信息的情况下实现芯片热分布预测,这几乎没有人实现。基于现状,本文提出了一种芯片温度快速分析技术,叫做AFTP(ARMA based full-chip temperature prediction)和LFTP(LSTM based full-chip temperature prediction)。芯片温度快速分析技术整体框架由传感器温度预测,基于传感器预测温度的热重构和传感器放置算法组成。AFTP和LFTP的唯一不同之处是传感器温度预测模型。AFTP采用基于ARMA的传感器温度预测模型,LFTP采用基于LSTM的传感器温度预测模型。至于热重构算法,本文使用EigenMap来实现重构热图。本文利用传感器放置算法计算出合适的传感器数量和位置,以此来提高热重构的质量。AFTP和LFTP可以在不需要功率信息的情况下实现高质量的芯片热分布预测且计算开销较低。在获取预测的芯片热分布后,还需要解决温度控制问题。为了解决非线性控制问题,提出了一种新的温度控制优化技术叫做基于紧凑分段线性(PWL)模型的预测控制。首先,利用泰勒展开建立局部线性热模型。为了减小模型尺寸,使用基于采样的模型降阶技术(sampling based model order reduction)获得紧凑局部线性热模型。基于紧凑局部线性热模型,利用泰勒展开点选择方案,推导出紧凑分段线性热模型。基于紧凑分段线性热模型,结合模型预测控制框架,提出了一种新的预测控制方法来计算未来的建议功率。利用紧凑的分段线性热模型对非线性热模型进行精确近似,并采用预测控制技术,实现了温度的高质量管理。仿真实验结果表明,新的控制优化方法在温度管理的质量上优于基于线性模型的预测控制方法和基于回声状态网络的热管理方法,且计算开销较低。