运行时PE阵列动态下电的任务迁移与唤醒预测方法与流程

摘要: 本发明涉及高性能计算芯片功耗管理,尤其涉及运行时pe阵列动态下电的任务迁移与唤醒预测方法。背景技术:1、在处理元件阵列的动态功耗管理中,任务迁移被广泛用于将任务...
运行时PE阵列动态下电的任务迁移与唤醒预测方法与流程

本发明涉及高性能计算芯片功耗管理,尤其涉及运行时pe阵列动态下电的任务迁移与唤醒预测方法。

背景技术:

1、在处理元件阵列的动态功耗管理中,任务迁移被广泛用于将任务从高负载或高温处理元件迁移至空闲或低温处理元件,以实现负载均衡和热管理。然而,被下电的处理元件重新唤醒存在显著的唤醒延迟,严重影响任务迁移的实时性。

2、为克服这一问题,现有技术提出了预测性早期唤醒方法,通过预测未来可能发生的任务迁移需求,提前将下电的处理元件唤醒或部分唤醒。例如,已有技术采用在线滑动窗口岭回归模型,以历史窗口内的温度、功耗和处理元件状态作为输入,预测未来核心温度,若预测到下一控制周期可能发生任务迁移则提前唤醒暗硅处理元件。

3、然而,现有预测性早期唤醒技术存在以下不足:

4、第一,预测模型容量不足。现有技术主要采用线性回归模型对温度或负载序列进行拟合预测,其隐含假设是系统行为服从线性关系。但处理元件阵列的任务负载序列本质上是多因素耦合驱动的非线性动态系统输出,线性模型难以捕捉其中隐含的非线性动力学特征,导致预测精度存在根本性瓶颈。

5、第二,预测可信度无法量化。现有技术对所有预测结果赋予相同的可信度,无法区分可靠预测与不可靠预测。在非线性动力学系统中,预测误差随时间快速增长,超出一定时间范围的预测本质上不可靠。现有技术缺乏对这种预测固有不可靠性的量化评估手段,导致预唤醒决策可能在不可靠预测的引导下产生误唤醒或漏唤醒。

技术实现思路

1、本发明提出了运行时pe阵列动态下电的任务迁移与唤醒预测方法,旨在解决现有技术中存在的预测性早期唤醒技术采用线性回归模型对处理元件负载进行预测,无法捕捉负载序列中隐含的非线性动力学特征,导致预测精度存在根本性瓶颈的技术问题。

2、本发明提供了运行时pe阵列动态下电的任务迁移与唤醒预测方法,包括:

3、采集pe阵列中各pe的运行时的时间序列数据;

4、将各pe的所述时间序列数据按照预设的延迟时间和嵌入维度进行延迟坐标嵌入,构建各pe在相空间中的状态向量序列;

5、根据各pe在所述相空间中的状态向量序列,预测各pe在未来控制周期内的负载状态;

6、根据各pe在所述相空间中的状态向量序列,计算各pe负载序列的最大李雅普诺夫指数,根据所述最大李雅普诺夫指数确定各pe的预测可靠时间范围;

7、根据所述负载状态的预测结果以及所述预测可靠时间范围,对处于下电状态的pe执行分级预唤醒。

8、进一步地,所述时间序列数据为各pe的负载率序列。

9、进一步地,所述延迟时间通过以下方式确定:计算所述时间序列数据在不同延迟时间下的互信息量,选择互信息量首次达到局部极小值时的延迟时间作为所述延迟时间。

10、进一步地,所述嵌入维度通过以下方式确定:从嵌入维度等于1开始递增,计算各嵌入维度下相空间中伪最近邻点的比例,选择伪最近邻点比例首次降至预设阈值以下时的嵌入维度作为所述嵌入维度。

11、进一步地,所述根据各pe在所述相空间中的状态向量序列,预测各pe在未来控制周期内的负载状态,包括:

12、对于当前状态向量,在所述相空间的历史状态向量序列中搜索k个最近邻状态向量,k为预设的正整数;

13、获取所述k个最近邻状态向量各自在下一时刻的状态向量;

14、根据所述k个最近邻状态向量各自在下一时刻的状态向量,以加权平均方式预测当前状态向量在下一时刻的状态向量,其中各近邻的权重与其到当前状态向量的距离成反比;

15、迭代上述过程,得到未来多个控制周期的负载状态预测值。

16、进一步地,所述根据各pe在所述相空间中的状态向量序列,计算各pe负载序列的最大李雅普诺夫指数,具体包括:

17、在相空间中,对每个状态向量找到其最近邻状态向量,计算初始距离;

18、追踪各状态向量与其最近邻状态向量在后续时刻的演化,计算经过k步后的距离;

19、计算所有最近邻对在k步后的平均对数发散率,以所述平均对数发散率随k变化曲线的线性部分的斜率作为所述最大李雅普诺夫指数。

20、进一步地,所述根据所述最大李雅普诺夫指数确定各pe的预测可靠时间范围,具体包括:

21、当所述最大李雅普诺夫指数大于0时,所述预测可靠时间范围等于预设常数除以所述最大李雅普诺夫指数;

22、当所述最大李雅普诺夫指数小于等于0时,所述预测可靠时间范围设置为预设的最大值。

23、进一步地,所述根据所述最大李雅普诺夫指数确定各pe的预测可靠时间范围,具体包括:

24、当预测的负载状态大于预设的高负载阈值且预测时刻小于等于对应pe的预测可靠时间范围时,对该pe执行完全预唤醒,所述完全预唤醒指将pe的电源状态从完全断电状态切换至全电压全时钟工作状态;

25、当预测的负载状态大于预设的高负载阈值但预测时刻大于对应pe的预测可靠时间范围时,对该pe执行部分预唤醒,所述部分预唤醒指将pe的电源状态从完全断电状态切换至数据保持电压且时钟恢复供给状态;

26、当预测的负载状态小于等于预设的高负载阈值时,不对该pe执行预唤醒,维持当前下电状态。

27、进一步地,还包括以下步骤:

28、在每个控制周期结束后,将实际观测到的时间序列数据加入各pe的历史序列,以滑动窗口方式更新历史窗口;

29、每隔预设数量的控制周期重新确定各pe的所述延迟时间和所述嵌入维度,并重新计算各pe的所述最大李雅普诺夫指数;

30、在每个控制周期增量更新各pe的所述状态向量序列。

31、进一步地,所述pe阵列为多核处理器、可重构计算阵列、人工智能加速芯片或图形处理器;所述控制周期的取值范围为10微秒至100微秒。

32、本发明公开的技术方案的技术效果是:

33、第一,通过将处理元件的时间序列数据进行延迟坐标嵌入以构建相空间状态向量序列,将负载预测从线性时序拟合转变为非线性动力学系统状态空间分析,从根本上突破了线性回归模型的预测精度天花板。

34、第二,通过计算各处理元件负载序列的最大李雅普诺夫指数,实现了预测可靠时间范围的定量评估,使预唤醒决策能够区分不同预测结果在时间尺度上的可靠性差异,避免在不可靠预测的引导下执行预唤醒操作。

1.运行时pe阵列动态下电的任务迁移与唤醒预测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述时间序列数据为各pe的负载率序列。

3.根据权利要求1所述的方法,其特征在于,所述延迟时间通过以下方式确定:计算所述时间序列数据在不同延迟时间下的互信息量,选择互信息量首次达到局部极小值时的延迟时间作为所述延迟时间。

4.根据权利要求1所述的方法,其特征在于,所述嵌入维度通过以下方式确定:从嵌入维度等于1开始递增,计算各嵌入维度下相空间中伪最近邻点的比例,选择伪最近邻点比例首次降至预设阈值以下时的嵌入维度作为所述嵌入维度。

5.根据权利要求1所述的方法,其特征在于,所述根据各pe在所述相空间中的状态向量序列,预测各pe在未来控制周期内的负载状态,包括:

6.根据权利要求1所述的方法,其特征在于,所述根据各pe在所述相空间中的状态向量序列,计算各pe负载序列的最大李雅普诺夫指数,具体包括:

7.根据权利要求1所述的方法,其特征在于,所述根据所述最大李雅普诺夫指数确定各pe的预测可靠时间范围,具体包括:

8.根据权利要求1所述的方法,其特征在于,所述根据所述最大李雅普诺夫指数确定各pe的预测可靠时间范围,具体包括:

9.根据权利要求1所述的方法,其特征在于,还包括以下步骤:

10.根据权利要求1所述的方法,其特征在于,所述pe阵列为多核处理器、可重构计算阵列、人工智能加速芯片或图形处理器;所述控制周期的取值范围为10微秒至100微秒。