[论文解读] An Artificial Neural Networks based Temperature Prediction Framework for Network-on-Chip based Multicore Platform

Sandeep Aswath Narayana|arXiv (Cornell University)|Mar 1, 2016

Interconnection Networks and Systems被引用 9

一句话总结

该论文提出了一种基于人工神经网络（ANN）的预测性热管理框架，用于基于网络芯片（NoC）的多核平台，实现早期温度预测，以主动缓解热点问题。通过使用ANN对核心和NoC元件的温度进行建模，并利用片上无线互连快速分发控制消息，该框架减少了热过冲，提升了高核心数系统中的可靠性。

ABSTRACT

Continuous improvement in silicon process technologies has made possible the integration of hundreds of cores on a single chip. However, power and heat have become dominant constraints in designing these massive multicore chips causing issues with reliability, timing variations and reduced lifetime of the chips. Dynamic Thermal Management (DTM) is a solution to avoid high temperatures on the die. Typical DTM schemes only address core level thermal issues. However, the Network-on-chip (NoC) paradigm, which has emerged as an enabling methodology for integrating hundreds to thousands of cores on the same die can contribute significantly to the thermal issues. Moreover, the typical DTM is triggered reactively based on temperature measurements from on-chip thermal sensor requiring long reaction times whereas predictive DTM method estimates future temperature in advance, eliminating the chance of temperature overshoot. Artificial Neural Networks (ANNs) have been used in various domains for modeling and prediction with high accuracy due to its ability to learn and adapt. This thesis concentrates on designing an ANN prediction engine to predict the thermal profile of the cores and Network-on-Chip elements of the chip. This thermal profile of the chip is then used by the predictive DTM that combines both core level and network level DTM techniques. On-chip wireless interconnect which is recently envisioned to enable energy-efficient data exchange between cores in a multicore environment, will be used to provide a broadcast-capable medium to efficiently distribute thermal control messages to trigger and manage the DTM schemes.

研究动机与目标

• 解决由于功耗密度和热量积累导致的高核心数多核芯片日益增长的热管理挑战。
• 克服依赖延迟温度传感器反馈的反应式动态热管理（DTM）的局限性。
• 开发一种基于人工神经网络的预测性DTM框架，通过预测未来温度分布提前应对热问题。
• 在基于NoC的架构中实现核心级与网络级热管理的集成，实现全面的热控制。
• 利用片上无线互连高效分发热控制指令，实现低延迟响应。

提出的方法

• 训练人工神经网络（ANN）以基于历史热数据和工作负载数据，预测核心和NoC组件的未来温度分布。
• ANN模型学习芯片上复杂的非线性热动力学特性，包括核心与网络路由器之间的相互作用。
• 该框架以实时工作负载和温度数据作为输入，生成下一时间间隔的预测热图。
• 预测性DTM在温度阈值达到之前触发热缓解策略，避免热过冲。
• 采用片上无线互连将热控制指令广播至所有处理单元，实现低延迟通信。
• 系统集成核心级DTM（如电压/频率调节）与网络级DTM（如流量整形），实现整体热控制。

实验结果

研究问题

• RQ1 人工神经网络能否准确预测多核系统中核心和NoC组件的热行为？
• RQ2 基于ANN预测的预测性DTM与反应式DTM相比，在热过冲和响应时间方面表现如何？
• RQ3 在基于NoC的架构中，集成网络级热管理与核心级技术会产生何种影响？
• RQ4 片上无线互连在实时热适应中能否高效分发热控制指令？
• RQ5 该基于ANN的预测框架在不同工作负载模式和芯片配置下的可扩展性如何？

主要发现

• 所提出的基于ANN的预测框架能够高精度地预测核心和NoC路由器的温度趋势，实现主动热管理。
• 预测性DTM通过提前预判温度上升，减少热过冲，提升热安全裕量。
• 核心级与网络级DTM技术的集成，使芯片上的温度分布更加均匀。
• 片上无线互连实现了低延迟、基于广播的热控制指令分发，提升了系统响应速度。
• 通过早期干预防止热点形成，该框架显著提升了系统可靠性并延长了芯片寿命。
• 该模型对不同工作负载的适应能力表明其在多样化多核计算环境中的部署潜力。