Signal and Data Processing

fa انتخاب ویژگی پیشنهادی برای مدیریت دمای پویا در سیستم‌های چندهسته‌ای Proposed Feature Selection for Dynamic Thermal Management in Multicore Systems مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Increasing the number of cores in order to the demand of more computing power has led to increasing the processor temperature of a multi-core system. One of the main approaches for reducing temperature is the dynamic thermal management techniques. These methods divided into two classes, reactive and proactive. Proactive methods manage the processor temperature, by forecasting the temperature before reaching the threshold temperature. In this paper, the effects of using proper features for processor thermal management have been considered. In this regard, three models have been proposed for temperature prediction, control response estimation, and thermal management<s>,</s> respectively. A multi-layered perceptron neural network is used to predict the temperature and to control the response. Also, an adaptive neuro-fuzzy inference system is utilized for controlling temperature. An appropriate data set, which includes a variety of processor temperature variations, has been created to train each model. Some features of the dataset are collected by monitoring the thermal sensors and performance counters. In addition, a number of features are created by proposing processes to increase the accuracy of each model . Then, the features of each model are selected by the proposed method. The evaluation of the proposed model for predicting and controlling the processor temperature for different time distances is below 0.6 ° C.</div> پیش‌بینی دما, پاسخ کنترلی, انتخاب ویژگی, پرسپترون چندلایه‌ای, سیستم استنتاج عصبی-فازی وفقی thermal prediction, control response, feature selection, multilayer perceptron, adaptive neuro-fuzzy inference system 125 142 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1420-1&slc_lang=fa&sid=1 javad Mohebbi جواد محبی نجم‌آباد javad.mohebi@shahroodut.ac.ir 10031947532846007512 10031947532846007512 Yes Islamic Azad University, Quchan دانشگاه آزاد اسلامی واحد قوچان Morteza Moradi مرتضی مرادی moradi.edu@gmail.com 10031947532846007513 10031947532846007513 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد Bagher Salami باقر سلامی bagher.salami@stu-mail.um.ac.ir 10031947532846007514 10031947532846007514 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد