Accurate and Lightweight Run-time Power Estimation and Power Forecasting Models for Multi-core Processors

Sagi, Mark Balazs Hilary

Mark Balazs Hilary Sagi

If you experience problems opening the document, please try this link.

Original title:: Accurate and Lightweight Run-time Power Estimation and Power Forecasting Models for Multi-core Processors
Translated title:: Akkurate und sparsame Modelle für die Schätzung und Vorhersage der Verlustleistung von Mehrkernprozessoren
Author:: Sagi, Mark Balazs Hilary
Year:: 2024
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Institution:: Integrierte Systeme (Prof. Herkersdorf)
Advisor:: Herkersdorf, Andreas (Prof. Dr.)
Referee:: Herkersdorf, Andreas (Prof. Dr.); Henkel, Jörg (Prof. Dr.)
Language:: en
Subject group:: ELT Elektrotechnik
Keywords:: multicore; processor; power; estimation; forecasting; neural network
Translated keywords:: Prozessor; Mehrkern; Verlustleistung; Schätzung; Neuronale Netze
TUM classification:: DAT 200
Abstract:: 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.
Translated abstract:: 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
Date of submission:: 09.02.2024
Oral examination:: 11.09.2024
File size:: 907892 bytes
Pages:: 151
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240911-1734726-1-6
Last change:: 14.10.2024
BibTeX