面向众核体系结构空间特征感知的热管理研究

Faced with the ever-growing scale of computing systems and the rapid adoption of "big data" applications, many-core processors today need to handle concurrent execution of a large number of heterogeneous workloads/threads. As a result, there is a heightening demand of system characterization methodology for understanding the key tradeoff between high performance and energy efficiency. Conventional characterizing methods mainly focus on small-scale cycle-accurate architecture simulation and statistic performance analysis. These approaches typically ignore the spatial diversity across many cores, and therefore fail to keep pace with the scale of future multi-core integration. In order to achieve a comprenhensive analysis and intelligent application of many-core architecture characteristics, we propose a novel characterization methodology which captures the geospatial characteristics of many-core processore energy/thermal behavirs. Our approach innovatively leverages machine learning techniques to guide the dynamic resouce management across large-scale many-cores. Some highlights of this proposal include: 1) we investigate informative and scalable spatial characteristics mining and classifcation methods for understanding spatial patterns of processor thermal bethavior, 2) we study machine learning based predictive models of complex spatial behavior to accurately reconstruct complex resource utilization patterns and hot spots of many core architecure substrates through a variety of configuration parameters and execution conditions, 3) we develop intelligent resource optimization methods based on geospatial analysis and we use feedback mechanims to achieve optimal thermal management globally on many-core procesores. The proposed research will significantly contribute to imporving characterzation effectiveness, understanding complex many-core architecture, and optimizing overall system energy efficiency.

随着计算机系统规模增长及"大数据"各类应用，大量异构应用程序和线程并发执行，使性能需求不断提升，能耗问题日益突出。传统体系结构分析方法，以单纯细节模拟和统计分析为主，不适应大规模异构众核体系结构的分析需求。为了更全面、更智能地分析和利用体系结构特征，我们提出将大规模众核系统复杂负载的热行为映射成2D空间特征，并采用机器学习等方法进行特征分类和预测，以便更直观地指导资源优化和热管理。主要包括三项内容：（1）研究能获取丰富信息、可扩展的空间特征挖掘和分析方法，以较低开销有效地获取并分类典型的热空间模式；（2）研究基于机器学习的空间特征智能预测模型，快速重构相应配置众核系统复杂负载的热足迹；（3）研究空间特征感知的资源优化和热管理方法，建立热冲突最小化模型，并利用反馈和学习机制，全局协作地调度任务和进行动态热管理。研究成果将对提升复杂众核系统分析和评估的有效性，节省大规模系统能耗有重要意义。

随着云计算和大数据时代的到来，新型体系结构及其节能分析方法已成为重要研究方向。项目研究目标在于“高瞻远瞩，见微知著”，更全面、更智能地分析和利用体系结构特征，实现大数据时代的绿色计算。我们研究了基于机器学习的空间特征挖掘方法和智能预测模型，空间特征感知的全局协作资源优化和热管理方法，绿色计算的能耗管理架构和大数据处理方法。主要工作和成果包括：（1）空间特征挖掘方法和智能预测模型。将机器学习的方法融入到计算特征的获取中，实现了基于GPGPU的众核计算特征分析与建模；针对多/众核处理器的参数及性能分析，提出了基于神经网络的多核功耗预测策略；提出了一种针对现代CNN架构的分布式、解耦、动态调整的GPU加速的深度学习框架；（2）全局协作资源优化和热管理方法。研究了采用基于空间特征的方法对NOC资源进行全局和协作的分配、调控和优化，实现高性能、低功耗和高可靠性。通过分析Hadoop集群的性能与资源利用状况，实现了基于加速收敛蜂群算法的资源感知调度器；研究了数据就地处理系统InSURE，实现了可再生能源的现场计算系统；（3）绿色数据中心架构及能耗数据处理方法。提出了一种基于绿色数据中心能耗模型的不完备能耗大数据填补及分类算法；结合视觉聚类的核心思想，提出了基于粗粒度聚类单元策略CGU的并行化PAM聚类算法；设计了提出了绿色高效的数据中心能源管理框架GreenWorks。综上所述，本研究促进了大数据时代计算机体系结构分析以及人工智能方法与体系结构融合研究，这对提升复杂众核系统分析和评估的有效性，节省大规模系统能耗及优化大数据处理有重要意义。项目资助发表了论文9篇，其中被SCI，EI收录5篇(CCF A类会议一篇，CCF B类会议一篇)，编著专著1本，申请国内发明专利2项，相关研究的部分成果获湖北省科技进步二等奖, 培养博士研究生2名，硕士研究生9名。项目经费使用符合预算和管理要求。