[论文解读] Energy of Computing on Multicore CPUs: Predictive Models and Energy Conservation Law

Arsalan Shahid, Muhammad Fahad+2 more|arXiv (Cornell University)|Jul 5, 2019

Parallel Computing and Optimization Techniques参考文献 30被引用 5

一句话总结

本文基於能量守恆原理提出了一套計算能量理論，引入形式化模型論框架，識別出性能監控計數器（PMCs）的可加性為精確能量預測的關鍵。透過強制執行能量守恆約束（如線性回歸中的零截距與正係數），預測準確率由31%提升至18%，而使用非可加性PMCs可能導致能量優化損失高達67%。

ABSTRACT

Energy is now a first-class design constraint along with performance in all computing settings. Energy predictive modelling based on performance monitoring counts (PMCs) is the leading method used for prediction of energy consumption during an application execution. We use a model-theoretic approach to formulate the assumed properties of existing models in a mathematical form. We extend the formalism by adding properties, heretofore unconsidered, that account for a limited form of energy conservation law. The extended formalism defines our theory of energy of computing. By applying the basic practical implications of the theory, we improve the prediction accuracy of state-of-the-art energy models from 31% to 18%. We also demonstrate that use of state-of-the-art measurement tools for energy optimisation may lead to significant losses of energy (ranging from 56% to 65% for applications used in experiments) since they do not take into account the energy conservation properties.

研究动机与目标

• 使用模型論方法形式化現有基於PMCs的能量預測模型背後的假設。
• 識別並納入未被考慮的能量守恆性質，特別是PMCs的可加性。
• 透過強制執行與能量守恆的物理一致性，提升最先进能量模型的預測準確率。
• 示範現有工具如Intel RAPL可能因忽略能量守恆原理，導致顯著的能量損失（56–65%）。
• 透過優先選擇具有可加性與物理意義的PMCs，指導能量建模中PMCs的選擇。

提出的方法

• 使用模型論框架形式化現有的能量模型，以數學方式表達所假設的性質。
• 基於普遍能量守恆定律引入新的形式化性質，特別是PMCs的可加性。
• 定義包含約束條件的計算能量理論：線性回歸模型中的零截距與正係數。
• 使用5%的容差閾值，透過組合應用測試評估PMCs的可加性。
• 建立七個線性回歸模型，使用不同PMCs並強制執行能量守恆約束。
• 在Intel多核心CPU上，使用嚴謹的實驗方法，將模型準確率與HCLWattsUp的系統級物理測量結果進行比較。

实验结果

研究问题

• RQ1 能量守恆原理，特別是PMCs的可加性，如何影響能量預測模型的準確率？
• RQ2 非可加性PMCs在多大程度上降低能量模型的預測準確率？
• RQ3 強制執行能量守恆約束（零截距、正係數）是否能提升模型準確率？
• RQ4 使用不準確的測量工具（如Intel RAPL）對能量優化結果有何影響？
• RQ5 核心數如何影響PMC的可加性與能量模型的可靠性？

主要发现

• 透過強制執行能量守恆約束，最先进能量模型的預測準確率由31%提升至18%。
• 所有六個測試的PMCs在5%容差下均未通過可加性測試，部分顯示非可加性誤差高達3075%。
• ModelE僅使用兩個最具有可加性的PMCs，達到了最佳平均預測準確率，表現優於使用更多非可加性PMCs的模型。
• ModelF雖使用單一最具有可加性的PMC，但表現不佳，凸顯僅依賴相關性而無物理一致性可能帶來風險。
• Intel RAPL的預測準確率與基線模型（ModelA）相當，但其在優化中使用導致能量損失高達67%。
• 使用非守恆工具（如RAPL）進行能量優化可能導致顯著的能量浪費，原因在於未遵守能量守恆原理。