面向异构 SoC 的帕累托前沿资源管理策略学习:一种信息论方法
硬件体系结构
2021-05-20 v1 分布式、并行与集群计算
系统与控制
系统与控制
摘要
移动片上系统(SoC)的复杂性与异构性(如 Arm 的 Big-Little 架构)不断增强,以满足游戏与人工智能等新兴应用需求。这使得在运行时最优管理资源(如控制不同类型核的数量与频率)以达成性能与能耗等多目标间期望权衡极具挑战。本文提出一种新颖的信息论框架 PaRMIS,用于为给定目标应用与设计目标生成帕累托最优资源管理策略。PaRMIS 指定参数化策略来管理资源,并从以目标设计目标值形式呈现的候选策略评估数据中学习统计模型。其核心思想是:在每次迭代中,由能最大化关于真实帕累托前沿信息增益的统计模型引导,选取候选策略进行评估。在一款商用异构 SoC 上的实验表明,与已有方法相比,PaRMIS 取得了更优的帕累托前沿,且易于用于优化复杂目标(如每瓦性能)。
引用
@article{arxiv.2105.09282,
title = {Learning Pareto-Frontier Resource Management Policies for Heterogeneous SoCs: An Information-Theoretic Approach},
author = {Aryan Deshwal and Syrine Belakaria and Ganapati Bhat and Janardhan Rao Doppa and Partha Pratim Pande},
journal= {arXiv preprint arXiv:2105.09282},
year = {2021}
}
备注
To be published in proceedings DAC