Login
- Originaltitel:
- Accurate and Lightweight Run-time Power Estimation and Power Forecasting Models for Multi-core Processors
- Übersetzter Titel:
- Akkurate und sparsame Modelle für die Schätzung und Vorhersage der Verlustleistung von Mehrkernprozessoren
- Autor:
- Sagi, Mark Balazs Hilary
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Integrierte Systeme (Prof. Herkersdorf)
- Betreuer:
- Herkersdorf, Andreas (Prof. Dr.)
- Gutachter:
- Herkersdorf, Andreas (Prof. Dr.); Henkel, Jörg (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- ELT Elektrotechnik
- Stichworte:
- multicore; processor; power; estimation; forecasting; neural network
- Übersetzte Stichworte:
- Prozessor; Mehrkern; Verlustleistung; Schätzung; Neuronale Netze
- TU-Systematik:
- DAT 200
- Kurzfassung:
- To maximize the performance of multi-core processors within power constraints, accurate run-time core-level power information is needed. This thesis proposes novel power models based on neural networks, nonlinear transformations and independent component analysis. Run-time performance counters are used for dynamic power estimation on current time epochs and forecasts for future epochs. The evaluation revealed a decrease of 3.0% - 7.5% in relative RMSE compared to state-of-the-art methods.
- Übersetzte Kurzfassung:
- Um die Rechenleistung von Mehrkernprozessoren innerhalb von Verlustleistungsgrenzen zu maximieren, sind Laufzeitinformationen über die Verlustleistung pro Rechenkern erforderlich. Diese Arbeit schlägt Modelle für die Schätzung der dynamischen Verlustleistung basierend auf neuronalen Netzen, nichtlinearen Transformationen und Unabhängigkeitsanalysen vor. Die Auswertung der neuen Modelle zeigt eine Verringerung des relativen RMSE um 3,0% bis 7,5% im Vergleich zum Stand der Technik.
- WWW:
- https://mediatum.ub.tum.de/?id=1734726
- Eingereicht am:
- 09.02.2024
- Mündliche Prüfung:
- 11.09.2024
- Dateigröße:
- 907892 bytes
- Seiten:
- 151
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240911-1734726-1-6
- Letzte Änderung:
- 14.10.2024
BibTeX