面向异构SoC运行时资源管理的在线自适应学习
分布式、并行与集群计算
2020-08-25 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
由于更低的功耗与更高的性能需求，动态资源管理已成为现代计算机与通信系统设计中主要的研究领域之一。集成核心的数量、异构程度以及控制旋钮的数量稳步增长。结果，系统复杂性的增长速度超过了我们优化和动态管理资源的能力。此外，由于工作负载的变化以及设计时发现的大量未知新应用，离线方法是次优的。本文首先回顾了用于预测系统性能、功耗和温度的近期在线学习技术。然后，我们描述了使用两种现代方法进行在线控制的预测模型：模仿学习（imitation learning, IL）和显式非线性模型预测控制（nonlinear model predictive control, NMPC）。在带有16个基准测试的商业移动平台上的评估表明，IL方法成功地将控制策略适配到未知应用。显式NMPC相比用于现代GPU子系统多变量功耗管理的最先进算法提供了25%的能耗节省。
引用
@article{arxiv.2008.09728,
title = {Online Adaptive Learning for Runtime Resource Management of Heterogeneous SoCs},
author = {Sumit K. Mandal and Umit Y. Ogras and Janardhan Rao Doppa and Raid Z. Ayoub and Michael Kishinevsky and Partha P. Pande},
journal= {arXiv preprint arXiv:2008.09728},
year = {2020}
}
备注
This paper appeared in the Proceedings of Design Automation Conference 2020