|
课题 名称 |
基于软件冷却概念的多核系统散热与温度场重构研究 |
||
|
课题来源 |
科研训练 |
课题类型 |
毕业设计 |
|
论文的背景、目的和意义 |
近年来，随着计算机技术的飞速发展，计算机已经渗透入各行各业当中，发挥着极其重要的作用，成为了各行业中不可或缺的一部风。各行各业对计算机性能的要求，推动者计算机领域的发展进步，但受限于单处理器的体系结构和功耗限制，性能很难得到进一步的提升。进而研发出了单芯片上多内核的处理器，有效解决了提高单一核心处理器主频带来的高功耗问题，并且对平衡系统性能和功耗之间的关系起到一定的作用。多核心处理器的发挥是目前的主流，但随着多核心处理器的应用、普及，随之也出现了不少的新问题，例如任务负债的不均匀性，功耗过高等问题。一个合理的任务调度策略可以有效解决任务负债分配不均的问题，同时还可以有效降低系统的功耗，以及芯片表面的温度，进而在大规模的散热问题上达到节能的目的。 鉴于实时系统中任务的时效性，实时系统的正确性不仅取决于系统的逻辑性，而且还要求结果的产生是否满足时间的约束，根据严格程度不同，分为硬实时系统和软实时系统。那么如何降低实时系统的运行功耗，就成为了一个一直备受相关领域关注的问题。目前一般分为从硬件以及软件方面去降低功耗。 硬件方面降低系统功耗的方法就是提升电路设计工艺，应用更好的制程，新的节能材料，以及优化系统的硬件结构来实现。比如优化门电路之间的排列方式，处理器体系结构的改进，减少寄存器间的传输能耗，优化缓存设计等。在这些方面业界已经做的较为成熟。 从软件方面看，一是利用动态电压频率调整技术（DVFS）[1]和调度策略结合来降低功耗。DVFS是根据计算CPU的负载和应用要求的截止时间，来获得一个相对较低的运行频率和电压，来达到节能的目的。DVFS 技术目前在多核处理器上的应用按照调频方式可以分为 global DVFS(全局调频)[2]和 local DVFS(本地调频)[3]。 |
||
|
论文的背景、目的和意义 |
Local DVFS技术单独地为每一个核设置时钟频率和电压。Global DVFS 技术为整个处理器提供一个运行时钟核电压[4]，处理器上的每个工作中的核都采用同样的运行时钟和电压。Global DVFS 技术在现实的应用中更为常见，因为 Global DVFS 比 Local DVFS 在硬件上的实现更为容易和便宜。但是 Local DVFS 比 Global DVFS 在节能上的效果更好，因为它在频率的选择上更加的自由。但是就目前来说多核系统中 Global DVFS 技术才是目前的主流[5]。 而在任务调度策略方面，普遍采用List Scheduling来减少功耗，此外，其他的典型的调度算法，诸如遗传算法[6]，布谷鸟搜索算法[7]，粒子群算法[8]，模拟退火算法[9]以及此基础上的优化算法，取得的成果都不太明显，而且这类算法过于复杂，对系统的开销过大不适合实时系统的任务调度。但对于静态的调整，就可以通过各种优化算法来达到。将整个问题抽象为约束条件下的组合优化问题，设计相应的合适的资源规划算法。过去人们已经考虑了核间具有性能差异的同构多核系统，在给定的功耗约束下，并将应用的串并行的可行性考虑在内，比较每个应用在不同核数及工作频率下的的性能差异，在满足约束的条件下，搜索可行解空间，选取性能最合适的处理器配置。 随着半导体技术的发展，多核处理器上集成的异构核数量不断增加，同时全局调度的方法在异构多核系统节能调度上的应用受到限制，越来越多的研究者开始关注并研究多核异构系统的节能调度算法。Turakhia提出了基于异构系统的静态资源管理方法，其中，异构系统中每个处理器的结构，缓存，面积均不同。在该方法中，对给定的应用集，功耗，面积等约束，利用整数型线性规划来获得应用集中的应用映射，达到了系统性能的最优化。而后，Min-min启发式算法[10]与DVFS节能技术的结合而产生的对帧任务进行调度的启发式算法，由Liu Di等人提出的ASHM的节能调度算法[11]，M.A.Awan提出的LLED启发式算法[12]和改进的最小耗损能量密度算法[13]，以及Li Dawei等提出的基于松弛的迭代取整算法[14]都在异构多核系统的调度上取得了进展。 |
||
|
国内外研究概况 |
多核上的任务调度以及其的分配问题，可以总结为一个具体的组合优化问题，也是一个NP问题[16]，无法在多任务时间复杂度内找到最优解，诸多算法也只是在相对的时间内寻找一个相对最优的解。而任务调度，作为一个热点研究问题，国内外许多学者进行了许多研究，取得了许多有效的研究结果。 1973年Liu和Layland最先给出了任务调度的概念[10]，并提出了相关任务调度的模型，并且明确表明了这是一个NP问题，只能寻求启发式算法。在这之后的许多年，出现了许多经典的MinMin算法[10]，MaxMin算法[15]，EDF算法[16]都是简单启发式性质[17]。而MinMin算法是根据任务完成最早的时间，来进行调度。即每次选择都优先选择时间最短的任务，这一算法的问题是最后会导致长时间的任务最后堆积，难以完成。而MaxMin算法则相反，优先选择长时间的任务，最后也恰恰相反，导致了时间短的小任务的大量堆积[17]。 EDF算法[18]是动态调度中非常重要的算法，全称为Earliest Deadline First，意为最早优先期限优先。这一算法的特征即为考虑任务的截止期，最先对截止期最早的任务进行调度，保证任务的完成率以及完成性。但是EDF算法也非常容易导致急迫任务长时间的不到响应。 S.Kato针对多核实时任务调度，基于EDF算法，提出了EDDP算法[19]。该算法提出了一个可迁移任务的概念，即这是运行期对可迁移任务调度进行调整，对不可迁移的任务则使用静态调度。 Liu和Layland等人提出的速率单调算法[16]，是静态调度算法的典型代表，就是为每一个任务周期指定一个固定的优先级，该优先级按照长短顺序排列，任务周期越短，则有限度越高，并且在调度上总是优先调度运行周期最短的任务。 国内方面的任务调度研究也取得了不少的成果。 乔颖等人在近视算法[20]的基础上提出了节约算法，有效改进了近视算法的处理器选择策略。新策略的一个基本思想就是让任务选择核最早可运行时间，尽力接近任务的截止时间。其方法是在满足任务约束条件的情况下，延迟任务的响应时间。通过这种方式使得没有被调度的任务有更早运行的机会，从而增大了未被调度任务的可行性，提高了算法的调度成功率。 宾雪莲等人在节约算法的基础上提出了一种基于分组与适当选取策略的分组适度算法[21]。其中分组策略的主要思想是将任务访问资源的方式以及资源的种类来进行分组。其结果表明分组适度算法的性能好于节约算法的性能。 |
||
|
总结 |
通过上述对多核同构、多核异构系统的静态调度、动态调度的国内外的文献综述，可以了解到当前快速发展的芯片制程以及对算力的巨大需求使得从资源调度层面对多核系统进行优化的要求急剧上升。国内外针对该研究领域虽然成果斐然，但大部分仍然是基于传统的启发式算法进行改进得到。对于动态调度，进度依旧不是很理想，归根到底这是一个NP问题，目前无从判断当前解是否最优解，只能确定该解是当前最优解。 |
||
|
研究条件和可能存在的问题 |
目前已知的研究条件或方程为文献[22]中所提及的代价计算方程,式中w1和w2为待定参数，Pi与Pj为核的功耗，Tile为核间的通信代价。经过Comsol热仿真计算过后发现并不能很好的反映表面平均温度的情况，所以这个代价计算方程有待改进，需要找到一个合适的方程，作为算法的关键，使得我们寻找的对应的方程的最优点能够使得表面平均温度相对最低。 而且对于异构系统的体现仍有待思考，参考文献中的异构系统体现在针对不同任务的系数不同[4]，是否需要把异构系统这一条件体现在功耗表现上。以及对核的功耗和频率的确定，实际测量一个核心的功耗是很困难的，我们也只能推导出功耗和该核心的频率二次方呈正相关。然而实际的芯片设计告诉我们不同的架构，其高频率与其核心的实际算例可能大相径庭。通信代价也仍需纳入考虑之中，孙奥林在文献[22]中的解决办法是将同一任务下的核心所在的不同的Tile数作为通信延迟的计算标准，提出一个核心内部的实际构架吻合的通信代价的计算关系式在未来的研究中也尤为重要。 |
||
|
本课题研究解决的问题 |
|
||
|
本课题拟采用的研究手段 |
|
||
|
预期的结果 |
对之前的静态调度算法以及文献综述中提及的算法进行充分的总结，分析其优缺点，并针对目前在资源调度上存在的关键问题，提出可能的解决方法。即提出一套能有效够体现频率和功耗的多核系统的模型，并通过预先设置同构系统的多核参数，或者异构系统的多核参数，以及对应的任务。并基于此模型，利用提出的算法进行计算，得到一个能对异构或者同构系统进行静态资源调度的算法，能够使表面温度没有太大涨幅且满足TDP约束下，尽可能的提高系统的吞吐量，并进行热仿真。如果可行，那么这个提出的算法能够很好的适应静态的资源调度，并探究其在动态资源调度上的可行性。 |
||
|
参考 文献 |
[1] Weiser M, Welch B, Demers A, et al. Scheduling for Reduced CPU Energy[M]. Mobile Computing. Springer US, 1994:13--23. [2] Anderson J H, Baruah S K. Energy-efficient synthesis of periodic task systems upon identical multiprocessor platforms[C]. International Conference on Distributed Computing Systems, 2004. Proceedings. IEEE, 2004:428-435. [3] 葛宇翔. 基于多核环境的节能调度策略研究[D]. [4] 张泰忠. 基于遗传算法的异构多核关键任务低功耗调度研究[D]. 湖南大学, 2011. [5] 蒋小文. 多核实时系统的节能和可靠性优化调度研究[D]. 2018. [6] J Horn, N Nafpliotis, DE Goldberg. A niched Pareto genetic algorithm for multiobjective optimization[J]. IEEE Conference on Evolutionary Computation, 2002 , 1 (11) :82-87 vol.1. [7] 杨辉华. 基于布谷鸟搜索的多处理器任务调度算法[J].计算机科学,2015,42(1):86-81. [8] 张建科,张晓清.改进的粒子群算法[J].计算机工程与设计, 2007 , 28 (17) :4215-4216. [9] Da He, Wolfgang Mueller. Online Energy-Efficient Hare Real-Time Scheduling for [10] Khalifa A S, Ammar R A, Fegrany T A, et al. A Preemptive version of the Min-min Heuristic for dynamically Mapping Meta-tasks on a Distributed Heterogeneous Environment[C]. IEEE International Symposium on Signal Processing and Information [11] Liu Di, Spasic J., Wang Peng, et al. Energy-efficient scheduling of real-time tasks on heterogeneous multicores using task splitting[C]//2016 IEEE 22nd International Conference on Embedded and Real-Time Computing Systems and Applications. IEEE, 2016: 149-158. |
||
|
参考 文献 |
[12] Awan M. A., Petters S. M. Energy-aware partitioning of tasks onto a heterogeneous multi-core platform [C]// IEEE 19th Real-Time and Embedded Technology and Applications Symposium. Philadelphia: IEEE, 2013: 205-214. [13] Awan M. A., Yomsi P. M., Nelissen G., et al. Energy-aware task mapping onto heterogeneous platforms using DVFS and sleep states [J]. Real-Time Systems, 2015, 52(4): 450-485. [14] Li Dawei, Wu Jie. Minimizing energy consumption for frame-based tasks on heterogeneous multiprocessor platforms[J]. IEEE Transactions on Parallel and Distributed Systems, 2015, 26(3): 810-823. [16] [15] He XS, Sun XH, Von Laszewski G. A QoS guided scheduling algorithm for grid computing[J]. Journal of Computer Science and Technology, 2003,18(4):442-451P. [16] 邢群科, 郝红卫, 温天江. 两种经典实时调度算法的研究与实现[J]. 计算机工程与 设计, 2006, 27(1):117-119. [17] 路泽亚. 面向多核处理器的任务调度模型研究[D]. [18] Saranya S, Revathi S, Chitra P, et al. Scheduling Independent Tasks on Heterogeneous Distributed Computing Systems Using Multiobjective Optimization Approach on Multicore Processors[C]. International Conference on Advances in Computing, Control, amp; Telecommunication Technologies. IEEE, 2009:481-483P. [19] Liu C L, Layland J W. Scheduling Algorithms for Multiprogramming in a Hard-Real-Time Environment[J]. Readings in Hardware/Software Co-Design, 2002, 20(1):179-194. [20]乔颖, 王宏安, 戴国忠. 一种新的实时多处理器系统的动态调度算法[J]. 软件学报, 2002, 13(1):51-58 页. [21] 周智. 基于动态任务调度的 STDS 算法设计研究[D]. 哈尔滨工程大学硕士学位论 文, 2015:25-31 页. [22]孙奥林. 暗硅时代多核系统资源管理算法研究[D] .中国科学技术大学, 2017. [23]周航, 秦东霞. DVFS节能算法的改进研究[J]. 河南城建学院学报, 2013(05):55-58. [24]刘聪. 基于温度感知的多核实时系统稳定性研究[D]. 2014. [25] Yogendra Joshi,Banafsheh Barabadi,Rajat Ghosh,Zhimin Wan,He Xiao,Sudhakar Yalamanchili,Satish Kumar. Thermal simulations in support of multi-scale co-design of energy efficient information technology systems[J]. International Journal of Numerical Methods for Heat amp; Fluid Flow,2015,25(6). [26]任懿. 适合多核系统的分布式温度探测网络的设计[D].哈尔滨工业大学,2010. [27] Xiao He, et al. 'Thermally Adaptive Cache Access Mechanisms for 3D Many-Core Architectures.' IEEE Computer Architecture Letters 15. 2 (2016): 129-132. [28] Yang, Jun, Zhou, Xiuyi, Chrobak, M. Dynamic Thermal Management through Task Scheduling[C]// Ispass-ieee International Symposium on Performance Analysis of Systems amp; Software. IEEE Computer Society, 2008. [29] Wang, Shaoxi amp; Yin, Yue amp; Hu, Chenxia amp; Rezai, Pouya. (2018). 3D Integrated Circuit Cooling with Microfluidics. Micromachines. 9. 287. 10.3390/mi9060287. [30] 易娟. 面向多核处理器系统的可靠性与能耗优化调度研究[J]. 2017. [31] 陈艾. 面向能耗优化的分布式实时系统调度算法研究[D].中国科学技术大学,2007. [32] 宋琪, 敬超. 面向多核系统的蚁群最优化能耗调度算法[J]. 计算机与现代化, 2016(6):91-96. |
||
资料编号：[549720]
