一种基于深度学习的芯片运行状态智能监测系统的制作方法

摘要: 本发明涉及集成电路运行监测领域,尤其涉及一种基于深度学习的芯片运行状态智能监测系统。背景技术:1、随着高性能芯片、片上系统与异构计算平台的广泛应用,芯片在复杂负...
一种基于深度学习的芯片运行状态智能监测系统的制作方法

本发明涉及集成电路运行监测领域,尤其涉及一种基于深度学习的芯片运行状态智能监测系统。

背景技术:

1、随着高性能芯片、片上系统与异构计算平台的广泛应用,芯片在复杂负载、频率切换、功耗波动与热耦合条件下的运行稳定性问题日益突出。现有芯片运行状态监测技术主要围绕温度、电压、电流、功耗这一类单项运行参数开展阈值告警、趋势分析与异常检测,能够在一定程度上发现局部异常现象,但对于芯片内部多类运行状态之间的联动变化缺乏统一刻画能力。

2、现有技术中,部分方案已能够对芯片运行参数进行采集与异常识别,部分方案已能够对故障传播路径、热点分布、功耗分布进行分析建模,部分连续时间神经网络模型也已应用于时序状态建模场景。然而,将这些技术直接用于芯片运行状态监测时,仍然存在明显不足:一是多源运行状态数据在采样粒度、时间尺度与字段组织上存在差异,难以形成可供后续分析直接使用的统一运行状态表示;二是现有方案通常基于原始监测数据直接进行异常判断,难以准确反映芯片在不同运行模式下的状态偏离程度,导致复杂负载场景中的监测结果稳定性不足;三是对于计算执行、存储访问、片上互连、电源供给与热响应之间的耦合传递关系缺乏一体化分析手段,难以准确识别异常传播过程及异常起始位置。

3、因此,如何提供一种基于深度学习的芯片运行状态智能监测系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的芯片运行状态智能监测系统,本发明通过采集芯片运行状态数据,生成运行状态序列、状态演化进程序列、稳态参考面与状态偏移序列,构建进程偏移cfc模型,并结合功能耦合闭式传导拓扑生成芯片运行状态监测结果。相较于仅依据单一监测量执行判定的方式,本发明能够同时输出当前运行状态类别、异常偏移强度、风险传播路径与异常起始位置,具有监测精度高、传播分析能力强、定位结果清晰的优点。

2、根据本发明实施例的一种基于深度学习的芯片运行状态智能监测系统,包括:

3、运行数据预处理模块,用于采集芯片运行状态数据,执行对齐、清洗、标准化处理,生成运行状态序列;

4、进程序列构建模块,用于基于运行状态序列,构建状态演化进程序列;

5、参考面偏移构建模块,用于基于运行状态序列构建各运行模式对应的稳态参考面,并基于稳态参考面与运行状态序列之间的差值关系,生成状态偏移序列;

6、模型构建模块,用于构建进程偏移cfc模型,包括进程编码单元、参考面对齐单元、偏移传播单元、闭式传导单元与状态判定单元;

7、偏移传播计算模块,用于将状态演化进程序列输入进程编码单元,生成进程驱动量,将运行状态序列与稳态参考面输入参考面对齐单元,执行偏移修正处理,生成修正状态偏移序列,将修正状态偏移序列输入偏移传播单元,执行状态偏移的连续传播计算,生成偏移传播表示;

8、闭式传导计算模块,用于基于芯片内部的运行耦合关系,构建功能耦合闭式传导拓扑,并结合进程驱动量、偏移传播表示,在闭式传导单元中,执行状态偏移的闭式传导计算,生成状态传导结果;

9、状态监测输出模块,用于基于状态传导结果,输入状态判定单元,生成芯片运行状态监测结果。

10、可选的,所述运行数据预处理模块包括:

11、采集芯片运行状态数据,包括温度数据、电压数据与电流数据、频率数据、功耗数据、存储访问数据、片上互连数据、任务调度数据和运行日志数据,并记录采样时间戳;

12、将采样时间戳换算为统一时间索引,将芯片运行状态数据映射至统一时间索引对应的时间步,并按照固定时间窗长度对连续时间步进行分窗组织;

13、基于统一采样对齐规则,对映射至统一时间索引的芯片运行状态数据执行时间步对齐处理;

14、对完成时间步对齐处理的数据执行清洗处理;

15、对完成清洗处理的数据执行标准化处理,按照统一监测字段规则对芯片运行状态数据进行量纲统一、数值映射与字段顺序重排,并将每个时间步对应的芯片运行状态数据按固定字段顺序组合为多维向量;

16、按照统一时间索引下的时间步顺序对多维向量进行连续排列,生成运行状态序列。

17、可选的,所述进程序列构建模块包括:

18、基于运行状态序列对应的统一时间索引,将运行状态序列按照连续时间步划分为多个时间段;

19、基于每个时间段内温度数据的累计变化趋势与升降转换情况确定热变化量,基于每个时间段内电压数据、电流数据与功耗数据的联合波动情况确定电源变化量,基于每个时间段内频率数据的频率切换情况确定频率变化量;

20、基于每个时间段内片上互连数据的链路占用变化、传输负载迁移情况与拥塞扩展情况确定互连变化量,基于每个时间段内任务调度数据、存储访问数据与功耗数据的阶段切换情况与资源占用迁移情况确定执行负载变化量;

21、基于运行状态序列中确定各时间段之间的任务阶段切换顺序和资源占用变化顺序;

22、按照任务阶段切换顺序与资源占用变化顺序,对热变化量、电源变化量、频率变化量、互连变化量与执行负载变化量进行顺序编排,组合为结构化向量;

23、按照统一时间索引下的时间步顺序,对各时间段对应的结构化向量进行连续排列,并根据任务阶段切换顺序与资源占用变化顺序建立相邻时间段之间的推进关系,生成状态演化进程序列。

24、可选的,所述参考面偏移构建模块包括:

25、基于运行状态序列,提取负载配置数据、资源占用数据、频率配置数据与任务阶段数据,形成组合状态序列;

26、基于组合状态序列,将组合状态一致的连续时间段划分为同一运行模式,为每一运行模式建立运行模式标识;

27、针对每一运行模式,提取运行模式标识对应时间段内的温度数据、电压数据、电流数据、频率数据、功耗数据、存储访问数据与片上互连数据,并分别形成温度分布、电压分布、电流分布、频率分布、功耗分布、存储访问分布与片上互连分布,执行稳态聚合,将稳态聚合结果排列为矩阵形式的稳态参考面;

28、基于运行状态序列中各时间步对应的运行模式标识,为每个时间步匹配对应运行模式的稳态参考面;

29、按照固定字段顺序与分布统计位置,对每个时间步的温度数据、电压数据、电流数据、频率数据、功耗数据、存储访问数据与片上互连数据,分别与匹配得到的稳态参考面建立逐维差值关系,生成该时间步对应的状态偏移向量;

30、按照统一时间索引下的时间步顺序,对各时间步对应的状态偏移向量进行连续排列,生成状态偏移序列。

31、可选的,所述模型构建模块包括:

32、调用原始cfc模型的基础结构,包括输入映射结构、连续时间隐藏状态更新结构、闭式状态演化结构与输出映射结构;

33、将输入映射结构中面向通用时序输入的映射层替换为面向状态演化进程序列的进程映射层,构建进程编码单元;

34、基于原始cfc模型的输入映射结构与连续时间隐藏状态更新结构之间的输入接口,构建参考面对齐单元;

35、基于连续时间隐藏状态更新结构,构建偏移传播单元;

36、基于闭式状态演化结构,将原始cfc模型中面向通用隐藏状态更新的闭式状态演化通路改造为面向状态偏移闭式传导的闭式传导通路,构建闭式传导单元;

37、将输出映射结构中面向通用预测结果的读出层替换为面向芯片运行状态监测结果的判定映射层,构建状态判定单元;

38、对进程编码单元、参考面对齐单元、偏移传播单元、闭式传导单元与状态判定单元进行整体组网,生成进程偏移cfc模型。

39、可选的,所述偏移传播计算模块包括:

40、基于状态演化进程序列,将各时间段对应的热变化量、电源变化量、频率变化量、互连变化量与执行负载变化量按照固定位置写入进程编码单元,执行连续时间递推编码,生成进程驱动量;

41、将运行状态序列中各时间步对应的运行模式标识与稳态参考面中对应的运行模式标识进行匹配,确定任务阶段边界位置和资源占用边界位置,生成参考面对齐处理结果;

42、基于参考面对齐处理结果,对状态偏移序列执行偏移修正处理,对各时间步对应的偏移方向与偏移大小进行幅值校正,并在任务阶段边界位置与资源占用边界位置对跨边界连接的偏移数据进行分段校正,生成修正状态偏移序列;

43、基于修正状态偏移序列,输入偏移传播单元,执行连续传播计算,生成各时间步对应的传播结果;

44、基于各时间步对应的传播结果,按照统一时间索引对应的时间步顺序连续排列,并按固定字段位置组合为时间步向量序列,生成偏移传播表示。

45、可选的,所述闭式传导计算模块包括:

46、基于运行状态序列,确定芯片内部的计算执行关系、存储访问关系、片上互连关系、电源供给关系和热响应关系;

47、对计算执行关系、存储访问关系、片上互连关系、电源供给关系与热响应关系进行统一位置映射,将计算活动位置、存储访问位置、链路位置、供电位置与温度位置映射为功能位置节点,并将各关系中的起始位置与到达位置映射为节点连接关系;

48、基于各节点连接关系的出现频次、持续时间、关联功耗强度与温度响应强度,确定各节点连接关系对应的耦合权重;

49、按照功能位置节点、节点连接关系与耦合权重,构建功能耦合闭式传导拓扑;

50、将进程驱动量写入功能位置节点对应的节点输入位置,将偏移传播表示写入功能位置节点对应的偏移输入位置,并将功能耦合闭式传导拓扑接入闭式传导单元的拓扑输入位置,建立联合输入对应关系;

51、基于闭式传导单元,对联合输入对应关系中的各功能位置节点执行状态偏移的闭式传导计算,生成各时间步对应的节点传导结果;

52、将各时间步对应的节点传导结果按照统一时间索引对应的时间步顺序进行排列,并按功能位置节点顺序组合为状态传导结果。

53、可选的,所述状态监测输出模块包括:

54、将状态传导结果输入状态判定单元,整理为状态判定输入数据;

55、基于状态判定单元,对状态判定输入数据执行判定映射处理,确定当前运行状态类别;

56、基于状态判定输入数据中各时间步传导值在统一时间索引下的连续变化情况、各功能位置传导值在节点连接关系下的累积扩展情况与各节点连接关系对应的传导值在功能耦合闭式传导拓扑中的传导集中情况,确定异常偏移强度;

57、基于状态传导结果在功能耦合闭式传导拓扑中的传导记录,对状态传导结果进行反向回溯,确定风险传播路径;

58、基于风险传播路径对应的起始节点连接关系、起始时间步位置与起始功能位置,结合异常偏移强度在风险传播路径中的首次集中位置,确定异常起始位置;

59、将当前运行状态类别、异常偏移强度、风险传播路径与异常起始位置按固定字段顺序组合,生成芯片运行状态监测结果。

60、本发明的有益效果是:

61、首先,本发明通过构建运行状态序列、状态演化进程序列、稳态参考面与状态偏移序列,并在此基础上构建进程偏移cfc模型,将芯片运行状态监测过程由单纯参数检测转化为围绕运行过程推进关系与状态偏移关系展开的连续分析过程,能够更准确地区分正常波动与异常偏移,从而提升当前运行状态类别判定的准确性,降低仅依赖单项监测数据进行判断所带来的误判情况。

62、其次,本发明将运行状态序列与稳态参考面进行对应分析,并结合状态偏移序列、偏移传播表示与功能耦合闭式传导拓扑开展状态传导处理,能够将芯片内部不同功能位置之间的计算执行关系、存储访问关系、片上互连关系、电源供给关系与热响应关系统一纳入监测链路中,从而提升异常偏移强度分析的连续性与传播关系识别的完整性,增强对复杂运行状态下异常传播过程的刻画能力。

63、此外,本发明基于状态传导结果生成风险传播路径与异常起始位置,不仅能够给出芯片是否处于异常状态的监测结论,还能够进一步给出异常在芯片内部的传播方向与起始位置,从而提高芯片运行状态监测结果的可解释性与定位能力,便于后续围绕异常位置开展针对性的运行分析、风险排查与状态处置。