RT - Journal Article T1 - Proposed Feature Selection for Dynamic Thermal Management in Multicore Systems JF - jsdp YR - 2019 JO - jsdp VO - 16 IS - 1 UR - http://jsdp.rcisp.ac.ir/article-1-801-fa.html SP - 125 EP - 142 K1 - thermal prediction K1 - control response K1 - feature selection K1 - multilayer perceptron K1 - adaptive neuro-fuzzy inference system AB - افزایش تعداد هسته‌­ها، به‌منظور افزایش توان محاسباتی یک سیستم چندهسته‌­ای، منجر به افزایش دمای پردازنده می‌­شود. یکی از راه‌کارهای معمول برای کاهش دما، روش­‌های کنش‌­گراست. این روش‌­ها، با پیش‌­بینی دما پیش از رسیدن به دمای حدآستانه، مدیریت دما را انجام می‌دهند. در این مقاله، اثر استفاده از ویژگی­‌های مناسب برای مدیریت دمای پردازنده موردتوجه قرار گرفته است. برای مدیریت دما، سه مدل، به‌ترتیب برای پیش‌­بینی دما، پیش‌بینی پاسخ دمایی و کنترل دما پیشنهاد شده است. در این راستا، از شبکه عصبی پرسپترون چندلایه‌­ای برای پیش­‌بینی دما و پاسخ دمایی و از سامانه استنتاج عصبی-فازی وفقی به‌منظور مدیریت دما استفاده می­‌شود. برای آموزش هر یک از مدل­‌ها، مجموعه داده‌­ای با تنوع بالا از حالات مختلف دمایی پردازنده، ایجاد و تعدادی از ویژگی­‌های هر مجموعه، با نظارت حس‌گرها و شمارنده­‌های کارایی پردازنده ایجاد و همچنین، برای افزایش دقت هر یک از مدل­‌ها، تعدادی ویژگی با بهره­‌گیری از پردازش­‌های پیشنهادی فراهم و سپس، ویژگی­‌های مناسب برای هر یک از مدل­‌ها، با روش‌­های پیشنهادی در این مقاله انتخاب می‌­شود. ارزیابی مدل پیشنهادی برای پیش­‌بینی و کنترل دمای پردازنده برای فاصله­‌های زمانی مختلف، کمتر از 6/0 درجه سانتی‌­گراد خطا دارد. LA eng UL http://jsdp.rcisp.ac.ir/article-1-801-fa.html M3 10.29252/jsdp.16.1.125 ER -