安 鑫，楊海嬌，李建華，任福繼

（1.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，合肥 230601；2.情感計(jì)算與先進(jìn)智能機(jī)器安徽省重點(diǎn)實(shí)驗(yàn)室（合肥工業(yè)大學(xué)），合肥 230601）

（*通信作者電子郵箱xin.an@hfut.edu.cn）

0 引言

異構(gòu)系統(tǒng)既使用簡(jiǎn)單處理核（適合執(zhí)行存儲(chǔ)密集型任務(wù)的處理核）又使用復(fù)雜處理核（適合執(zhí)行計(jì)算密集型任務(wù)的處理核），使得系統(tǒng)設(shè)計(jì)時(shí)更加靈活，同時(shí)更利于功耗管理［1］，不同的應(yīng)用可以根據(jù)自身需求選擇系統(tǒng)中不同類(lèi)型的處理核進(jìn)行處理，從而實(shí)現(xiàn)應(yīng)用程序的高效執(zhí)行，異構(gòu)多核逐漸成為現(xiàn)代嵌入式系統(tǒng)的主要架構(gòu)方式。但是隨著異構(gòu)多核處理器核心類(lèi)型的多樣化，任務(wù)調(diào)度在異構(gòu)多核環(huán)境下也面臨更多的挑戰(zhàn)［2］，需要充分考慮不同處理核間的差異性，同時(shí)針對(duì)應(yīng)用的特點(diǎn)進(jìn)行分析，優(yōu)化系統(tǒng)的資源分配。例如，復(fù)雜核心以更高的頻率運(yùn)行因此能夠提供更高的性能，但這是以高功耗為代價(jià)的，相比之下，復(fù)雜核心的功耗比簡(jiǎn)單核心高很多。因此，區(qū)別于同構(gòu)系統(tǒng)，異構(gòu)多核系統(tǒng)需要綜合考慮不同的核心類(lèi)型在性能和功耗上的不同表現(xiàn)。在異構(gòu)多核系統(tǒng)中，不同類(lèi)型的核在執(zhí)行不同的線程時(shí)的性能表現(xiàn)會(huì)有一定的差異性［3］，此外，程序在不同的指令執(zhí)行階段也會(huì)有不同的表現(xiàn)，并呈現(xiàn)出階段性變化的特點(diǎn)［4］。為了充分挖掘異構(gòu)多核系統(tǒng)的特點(diǎn)和優(yōu)勢(shì)，需要尋找一種映射方法，根據(jù)線程的階段性變化以及處理核的特點(diǎn)進(jìn)行動(dòng)態(tài)映射。

隨著半導(dǎo)體技術(shù)的發(fā)展，單芯片上集成的核心數(shù)量隨之增加，使得現(xiàn)代多核處理器具有更高的功率密度。然而，功率密度的增加會(huì)導(dǎo)致片上溫度升高，高于臨界溫度會(huì)使得數(shù)字系統(tǒng)對(duì)瞬態(tài)故障的敏感性增加［5］甚至對(duì)芯片造成永久性損壞［6］。因此，在對(duì)異構(gòu)多核系統(tǒng)進(jìn)行在線映射時(shí)，需要進(jìn)行熱管理，將溫度影響一并考慮進(jìn)去，以提高系統(tǒng)的可靠性及穩(wěn)定性。溫度約束（即熱安全約束）通過(guò)功率約束來(lái)實(shí)現(xiàn)，目前，主流的系統(tǒng)級(jí)功率限制有兩種，熱設(shè)計(jì)功率（Thermal Design Power，TDP）和熱安全功率（Thermal Safe Power，TSP）［5］。其中TDP是芯片級(jí)的功率限制，表示整個(gè)芯片上的功率之和，但卻并不能保證所有核心都避免熱損壞［7］。而且TDP 是一個(gè)常量值，將TDP 作為系統(tǒng)的功率限制容易造成性能損失。而TSP 根據(jù)系統(tǒng)的溫度閾值以及芯片上處理核的數(shù)量和位置為每個(gè)核心計(jì)算一個(gè)統(tǒng)一的安全功率預(yù)算，當(dāng)線程到處理核的映射發(fā)生變化時(shí)，TSP 的計(jì)算結(jié)果也會(huì)隨之發(fā)生變化，并且只要每一個(gè)處理核的功耗不超過(guò)其TSP，系統(tǒng)就不會(huì)有熱損壞［8］。

然而，現(xiàn)有的多核系統(tǒng)映射方法很少考慮核心級(jí)的功率限制，相關(guān)的研究方法主要分析線程和多核平臺(tái)特性以及運(yùn)行時(shí)線程的執(zhí)行特征來(lái)考慮線程到核心類(lèi)型的動(dòng)態(tài)映射［9］以實(shí)現(xiàn)系統(tǒng)性能優(yōu)化。有些方法中同時(shí)考慮了動(dòng)態(tài)電壓和頻率調(diào)整（Dynamic Voltage and Frequency Scaling，DVFS）設(shè)置，以進(jìn)一步提高性能（能量）效率［10-11］；但大多數(shù)DVFS方法的目的是降低能耗，同時(shí)滿足應(yīng)用程序性能要求，如參考文獻(xiàn)［9］，而未檢查它們的DVFS 設(shè)置解決方案是否會(huì)超過(guò)峰值功率以及安全溫度限制。

TSP 除了可以作為系統(tǒng)的安全功率限制進(jìn)而避免出現(xiàn)熱安全問(wèn)題外，還可以用來(lái)進(jìn)行處理核映射的決策［8］。實(shí)際上，芯片上不同位置的處理核具有不同的熱感受性［12］，例如功耗相同的兩個(gè)處理核，位于芯片中心的處理核會(huì)比芯片邊緣的處理核溫度更高，這是因?yàn)樘幱谛酒行牡奶幚砗说玫降膩?lái)自于其他處理核傳遞的熱量更多。TSP 模型可以根據(jù)映射方案計(jì)算安全功率值，即TSP 值。不同的映射方案對(duì)應(yīng)不同的TSP 值，因此可以對(duì)所有的映射方案計(jì)算TSP 值，最后選出TSP 值最大的映射方案作為最終方案。根據(jù)TSP 模型計(jì)算的TSP 值是能夠保障系統(tǒng)溫度安全的，所以最終利用TSP 決策出的映射方案是滿足熱安全前提下最大化系統(tǒng)性能的方案。

本文提出了一種基于溫度安全功率約束的動(dòng)態(tài)映射方法，在滿足安全功率的前提下最大化異構(gòu)多核系統(tǒng)的性能。給定若干個(gè)應(yīng)用線程和一個(gè)異構(gòu)多核平臺(tái)，在確保處理核運(yùn)行時(shí)的溫度約束的前提下，通過(guò)動(dòng)態(tài)地調(diào)整線程到處理核的映射以及處理核的功率（或頻率電壓）來(lái)達(dá)到最大化系統(tǒng)性能的目標(biāo)。首先，采用基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型得到線程到核心類(lèi)型的綁定。其次，利用線程到核心類(lèi)型的綁定關(guān)系以及溫度安全功率模型，對(duì)線程到處理核的具體映射位置進(jìn)行映射評(píng)估和選擇，為下一階段的映射方案和每個(gè)映射核心的安全功率（或DVFS）設(shè)置作出決策。在保障溫度安全的同時(shí)盡可能使每個(gè)核心以最大的處理頻率工作，從而進(jìn)一步提升系統(tǒng)性能。

本文的主要工作：

1）提出一種動(dòng)態(tài)映射方法，將線程分配到異構(gòu)多核平臺(tái)上確定的具體位置，而不是只考慮線程到核心類(lèi)型的映射；

2）在異構(gòu)多核系統(tǒng)的動(dòng)態(tài)映射決策中同時(shí)考慮線程-核類(lèi)型的綁定關(guān)系和溫度安全功率預(yù)算，保證溫度安全的前提下最大化系統(tǒng)性能。

1 相關(guān)工作

目前，針對(duì)異構(gòu)多核系統(tǒng)映射問(wèn)題的方法和技術(shù)可以歸為三類(lèi)：離線方法、在線方法以及混合（離線和在線）方法。

離線方法基于底層硬件和目標(biāo)應(yīng)用對(duì)設(shè)計(jì)空間進(jìn)行廣泛探索［9］，如文獻(xiàn)［13-15］。在文獻(xiàn)［13］中，作者針對(duì)運(yùn)行在異構(gòu)多核平臺(tái)的混合臨界應(yīng)用提出了一種分區(qū)算法，一方面保證了應(yīng)用執(zhí)行時(shí)在不同模式的時(shí)間限制，另一方面利用功率模型將應(yīng)用盡量分配到使能耗最低的處理核上運(yùn)行。文獻(xiàn)［14］中，基于遺傳算法，提出了一種雙種群且?guī)в性鰪?qiáng)型初始種群的任務(wù)映射算法，利用功率模型和其他靜態(tài)模型對(duì)系統(tǒng)的任務(wù)調(diào)度進(jìn)行優(yōu)化。文獻(xiàn)［15］提出了一種靜態(tài)調(diào)度方法，這是一種新的基于種群的算法，它可以在運(yùn)行時(shí)動(dòng)態(tài)地在探索性和開(kāi)發(fā)性搜索模式之間切換，該靜態(tài)調(diào)度器可以進(jìn)行任務(wù)映射、調(diào)度和電壓縮放。以上的離線方法通常采用離線分析來(lái)確定映射方案，雖然簡(jiǎn)單但是會(huì)產(chǎn)生額外的分析開(kāi)銷(xiāo)，并且未充分考慮線程程序在執(zhí)行過(guò)程中的動(dòng)態(tài)變化。

而動(dòng)態(tài)調(diào)度通常在運(yùn)行時(shí)進(jìn)行決策或動(dòng)態(tài)的調(diào)整，由于計(jì)算都是在運(yùn)行時(shí)進(jìn)行的，這些方法的目的是在較短時(shí)間內(nèi)找到一個(gè)可行的方案，而不是花費(fèi)大量的時(shí)間去尋找最優(yōu)的解決方案，因而這類(lèi)方法大都采用啟發(fā)式算法來(lái)在線地快速產(chǎn)生解決方案［16］。例如，文獻(xiàn)［1］中提出了一種將線程動(dòng)態(tài)分配給系統(tǒng)處理核的啟發(fā)式算法，以期達(dá)到使性能最大化的同時(shí)最小化能耗的目的，該算法采用迭代的方式，找到使系統(tǒng)吞吐量最大的線程間位置交換的方案，啟發(fā)式地計(jì)算出線程到核心的最佳映射方案，該方法可應(yīng)用于異構(gòu)以及具有DVFS能力的同構(gòu)系統(tǒng)；但是該方法具有一定的時(shí)間開(kāi)銷(xiāo)，并且并未考慮程序的階段性變化以及溫度安全問(wèn)題。文獻(xiàn)［17］中提出了一種動(dòng)態(tài)調(diào)度方法，它使用預(yù)測(cè)方法將應(yīng)用程序調(diào)度到最佳配置，以降低具有可配置緩存的系統(tǒng)的能耗，采用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練。訓(xùn)練后的ANN 可以用來(lái)預(yù)測(cè)最佳的核心，并通過(guò)調(diào)優(yōu)啟發(fā)式方法探索設(shè)計(jì)空間。跟本文的方法比較，該方法未考慮溫度安全問(wèn)題，并且需要對(duì)應(yīng)用進(jìn)行額外的離線分析。

離線和在線混合的方法利用離線分析的結(jié)果進(jìn)行在線映射的決策，由于同時(shí)利用了離線方法和在線方法的優(yōu)勢(shì)，混合型方法通常能夠取得較好的效果。文獻(xiàn)［3］提出了一種基于階段感知的負(fù)載平衡方法，該方法考慮在線運(yùn)行時(shí)任務(wù)的階段變化特征，對(duì)于任務(wù)的每個(gè)執(zhí)行階段，利用經(jīng)驗(yàn)數(shù)據(jù)模型進(jìn)行下一執(zhí)行階段狀態(tài)的預(yù)測(cè)，從而將任務(wù)調(diào)度到合適的處理核上，能有效提升系統(tǒng)性能。文獻(xiàn)［9］提出了一種自適應(yīng)的映射方法，首先是性能監(jiān)測(cè)計(jì)數(shù)器進(jìn)行在線的數(shù)據(jù)收集，然后利用離線訓(xùn)練的性能預(yù)測(cè)模型對(duì)應(yīng)用在不同類(lèi)型上的性能表現(xiàn)進(jìn)行預(yù)測(cè)，最后進(jìn)行資源組合（處理核數(shù)量及類(lèi)型）的評(píng)估及選擇，此外，該方法還設(shè)置了資源管理器，用于監(jiān)測(cè)應(yīng)用性能、工作負(fù)載，以及應(yīng)用的完成及新應(yīng)用的到達(dá)情況，進(jìn)而對(duì)映射進(jìn)行調(diào)整。文獻(xiàn)［2］提出了一種基于機(jī)器學(xué)習(xí)預(yù)測(cè)模型的在線映射方法：一方面通過(guò)采用機(jī)器學(xué)習(xí)技術(shù)來(lái)構(gòu)造系統(tǒng)性能預(yù)測(cè)模型來(lái)對(duì)不同映射方案和每個(gè)核的頻率值進(jìn)行高效的性能評(píng)估；另一方面，將其與遺傳算法進(jìn)行整合構(gòu)造了一個(gè)在線的映射調(diào)度方法。文獻(xiàn)［2］中，預(yù)測(cè)模型僅有一個(gè)預(yù)測(cè)器，且模型的構(gòu)建更為簡(jiǎn)單，預(yù)測(cè)器的輸入僅僅是處理核的映射位置及頻率，衡量映射效果的指標(biāo)是任務(wù)執(zhí)行的時(shí)間；預(yù)測(cè)模型的原始數(shù)據(jù)集的獲取是通過(guò)模擬器隨機(jī)生成的。本文中的性能預(yù)測(cè)模型分別為兩類(lèi)處理核訓(xùn)練性能預(yù)測(cè)器，并且通過(guò)對(duì)線程及處理核的特征進(jìn)行分析結(jié)合優(yōu)化目標(biāo)對(duì)預(yù)測(cè)器的輸入和輸出進(jìn)行了篩選；預(yù)測(cè)器原始數(shù)據(jù)集是通過(guò)在標(biāo)準(zhǔn)測(cè)試集上運(yùn)行選取的應(yīng)用（barnes、cholesky、fft、fmm、lu、ocean、volread、radix、raytrace、radiosity）得到的。文獻(xiàn)［18］提出了一種基于階段檢測(cè)的異構(gòu)感知的多核調(diào)度方法，利用階段檢測(cè)技術(shù)，當(dāng)線程相對(duì)于上一階段的變化大于一定的閾值時(shí)，根據(jù)性能預(yù)測(cè)器的預(yù)測(cè)結(jié)果對(duì)系統(tǒng)進(jìn)行重調(diào)度。該方法只考慮一大核三小核的簡(jiǎn)單異構(gòu)多核系統(tǒng)中線程到處理核類(lèi)型的映射，而本文中是在兩大核四小核的更復(fù)雜的異構(gòu)多核系統(tǒng)中將線程分配到異構(gòu)多核平臺(tái)上確定的具體位置。最主要的是，以上文獻(xiàn)所提方法中均未考慮到當(dāng)前學(xué)者們普遍關(guān)注的熱安全問(wèn)題，然而隨著半導(dǎo)體技術(shù)的發(fā)展，單芯片上集成的處理核數(shù)量逐漸增加，現(xiàn)代處理器具有更高的功率密度，熱安全問(wèn)題逐漸引起相關(guān)研究者的重視。

文獻(xiàn)［7］中利用熱安全功率模型計(jì)算功率限制，然后利用映射算法進(jìn)行映射方法的選擇，由于不用再考慮核心間的熱量傳遞進(jìn)而縮小了映射空間的探索。該方法在保證系統(tǒng)溫度安全的前提下，用功率約束來(lái)減小映射方案的探索空間，最終用系統(tǒng)吞吐量來(lái)評(píng)估映射方案。文獻(xiàn)［6］中提出了一種運(yùn)行時(shí)任務(wù)遷移算法，根據(jù)任務(wù)的階段和處理核的特點(diǎn)遷移任務(wù)來(lái)提高異構(gòu)多核系統(tǒng)的性能。利用性能預(yù)測(cè)模型得到滿足溫度安全約束的最大化系統(tǒng)性能的映射方案，通過(guò)溫度安全功率模型計(jì)算處理核的功率預(yù)算，將功率預(yù)算加入到性能預(yù)測(cè)器的特征集中，從而使映射方案滿足溫度安全約束的同時(shí)最大化系統(tǒng)性能。文獻(xiàn)［6-7］方法均只考慮了線程到處理核類(lèi)型的映射，而本文方法先利用性能預(yù)測(cè)模型進(jìn)行線程到處理核類(lèi)型的映射，接著利用溫度安全功率約束，在滿足線程到處理核類(lèi)型的匹配關(guān)系的前提下，進(jìn)一步將線程映射到芯片上的處理核的具體位置上。

綜上，本文在綜合考慮線程的運(yùn)行特點(diǎn)和不同類(lèi)型處理核的優(yōu)勢(shì)后，利用離線和在線混合的動(dòng)態(tài)映射方法，在溫度安全功率約束下進(jìn)行映射，在保證溫度安全的前提下最大化異構(gòu)多核系統(tǒng)的性能。

2 熱安全約束下異構(gòu)感知的動(dòng)態(tài)映射方法

本文中的系統(tǒng)性能通過(guò)平均每個(gè)時(shí)鐘周期內(nèi)程序所執(zhí)行的指令數(shù)，即指令/周期（Instruction Per Cycle，IPC）來(lái)表征。一般情況下，多核映射問(wèn)題都采用一個(gè)線程映射到一個(gè)處理核的模式［6］，本文也采用這種模式。在對(duì)本文方法進(jìn)行詳細(xì)描述時(shí)，為了便于對(duì)方法的理解，假設(shè)本文的異構(gòu)多核平臺(tái)由大核和小核兩類(lèi)處理核組成，其中大核表示適合運(yùn)行計(jì)算密集型線程的處理核，小核表示適合運(yùn)行存儲(chǔ)密集型線程的處理核，其他更加復(fù)雜的處理核類(lèi)型組成可以采用類(lèi)似的處理方法。圖1 給出了該方法的整體框架，主要由基于ANN 的性能預(yù)測(cè)器（詳見(jiàn)2.1節(jié)）、用于線程到核心類(lèi)型綁定的線程-核心類(lèi)型匹配部件（詳見(jiàn)2.2 節(jié)）和熱安全映射計(jì)算部件（詳見(jiàn)2.3節(jié)）三部分構(gòu)成。本文方法具體工作分為四個(gè)階段：

圖1 本文方法的整體框架Fig.1 Overall framework of proposed method

1）在每個(gè)系統(tǒng)調(diào)度周期收集異構(gòu)多核平臺(tái)上所運(yùn)行的各個(gè)處理核和線程的運(yùn)行信息（如IPC 值與程序行為變化相關(guān)的參數(shù)等），根據(jù)相關(guān)信息判斷是否需要進(jìn)行重映射。

2）性能預(yù)測(cè)器根據(jù)線程的運(yùn)行信息來(lái)預(yù)測(cè)線程在不同類(lèi)型處理核上的性能。

3）線程-核心類(lèi)型匹配部件根據(jù)性能預(yù)測(cè)器得出的各個(gè)線程在不同核心類(lèi)型上的性能預(yù)測(cè)值，來(lái)決定當(dāng)前時(shí)刻最優(yōu)的匹配方案，即線程與處理核類(lèi)型的最優(yōu)映射關(guān)系，完成線程到核心類(lèi)型的綁定。

4）在確定線程與處理核類(lèi)型的綁定后，熱安全映射計(jì)算部件對(duì)線程到處理核的具體映射位置進(jìn)行映射評(píng)估和選擇。通過(guò)在映射計(jì)算中考慮線程與處理核的匹配關(guān)系以及TSP的計(jì)算，確保處理核運(yùn)行時(shí)不會(huì)達(dá)到其溫度約束前提下最大化異構(gòu)多核系統(tǒng)的處理性能。核心的最大電壓和頻率可根據(jù)安全功率預(yù)算進(jìn)行相應(yīng)的設(shè)置。

完成以上四個(gè)階段后，映射器進(jìn)行映射方案的部署和電壓頻率設(shè)置。

2.1 性能預(yù)測(cè)器

為了找到一個(gè)最佳的映射方案以實(shí)現(xiàn)系統(tǒng)性能最大化的目標(biāo)，需要對(duì)不同的資源分配方式進(jìn)行評(píng)估。本文利用性能預(yù)測(cè)器對(duì)線程在不同類(lèi)型處理核上的IPC 進(jìn)行預(yù)測(cè)，由此得出對(duì)不同的映射方案的效果的預(yù)測(cè)，進(jìn)而選出符合預(yù)期目標(biāo)的方案。本文中分別為大核和小核構(gòu)建性能預(yù)測(cè)器，其輸入是經(jīng)過(guò)選取和處理的特征值集合，包括線程和處理核相關(guān)的信息，輸出是表征本文最大化性能目標(biāo)的IPC。

為了在異構(gòu)多核系統(tǒng)中合理分配資源以滿足應(yīng)用程序的性能要求，需要知道應(yīng)用程序在各種類(lèi)型處理核上的性能表現(xiàn)［9］。通常有兩種方式：一種是將線程在所有處理核類(lèi)型上運(yùn)行；另一種是只在其中一種處理核類(lèi)型上運(yùn)行而通過(guò)利用其運(yùn)行結(jié)果預(yù)測(cè)該線程在其他類(lèi)型處理核上運(yùn)行的性能表現(xiàn)。很顯然，第一種方式中，在切換處理核類(lèi)型時(shí)需要進(jìn)行線程的遷移，進(jìn)而帶來(lái)遷移的時(shí)間開(kāi)銷(xiāo)，并且隨著系統(tǒng)復(fù)雜度（處理核數(shù)量及類(lèi)型）的增加，遷移代價(jià)也會(huì)隨之大幅增加，不利于在線映射方法中應(yīng)用。本文中使用后一種方法，即線程在其中一種處理核類(lèi)型上運(yùn)行，由該運(yùn)行結(jié)果獲取的相關(guān)參數(shù)作為其他類(lèi)型處理核的性能預(yù)測(cè)器的輸入，預(yù)測(cè)該線程在其他類(lèi)型處理核上的性能表現(xiàn)。相對(duì)于根據(jù)線程在同一種類(lèi)型核上運(yùn)行的參數(shù)來(lái)預(yù)測(cè)其運(yùn)行效果，采用線程在另一個(gè)核上的運(yùn)行參數(shù)來(lái)預(yù)測(cè)其在該核的運(yùn)行效果會(huì)有更大的誤差，但是由于在運(yùn)行時(shí)，想要得到某線程在另一個(gè)核上的運(yùn)行參數(shù)，需要將其遷移到另一個(gè)核上運(yùn)行來(lái)獲得，這會(huì)大幅度增加在線的運(yùn)行開(kāi)銷(xiāo)。而通過(guò)對(duì)不同核上的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后得到的模型誤差損失相對(duì)于這個(gè)在線遷移的開(kāi)銷(xiāo)是可以接受的，因此，在本文的在線映射方法中選擇了后者。

構(gòu)建一個(gè)性能預(yù)測(cè)模型，關(guān)鍵有三步：1）選取和性能相關(guān)的指標(biāo)或參數(shù)；2）特征數(shù)據(jù)的獲取與預(yù)處理；3）預(yù)測(cè)函數(shù)的選擇。

2.1.1 參數(shù)選擇

為了提高性能預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度，對(duì)于模型的輸入?yún)?shù)或指標(biāo)的選取應(yīng)當(dāng)與本文的目標(biāo)輸出IPC、線程的行為以及處理核密切相關(guān)?，F(xiàn)代處理器支持對(duì)各種架構(gòu)事件的監(jiān)控，可用于分析性能、功率等。然而，由于平臺(tái)提供的硬件性能監(jiān)控計(jì)數(shù)器數(shù)量有限，并不是所有性能指標(biāo)都可以同時(shí)監(jiān)測(cè)［9］。此外，在進(jìn)行參數(shù)的選擇時(shí)還要考慮在線映射時(shí)的高效性?；谝陨系姆治鲆约皡⒖嘉墨I(xiàn)［19-20］中的信息，本文從18 種參數(shù)中選取了和IPC 值關(guān)系較密切的9 個(gè)指標(biāo)來(lái)構(gòu)建ANN 性能預(yù)測(cè)器。這9個(gè)指標(biāo)包括與緩存命中率相關(guān)的三個(gè)參數(shù)：一級(jí)數(shù)據(jù)緩存（Level 1 Data Cache，L1-D Cache）命中缺失率，二級(jí)緩存（Level 2 Cache，L2 Cache）命中缺失率和三級(jí)緩存（Level 3 Cache，L3 Cache）命中缺失率，以及與程序行為變化相關(guān)的六個(gè)參數(shù)：讀內(nèi)存指令、寫(xiě)內(nèi)存指令、浮點(diǎn)加法指令、浮點(diǎn)減法指令、浮點(diǎn)乘法指令和浮點(diǎn)除法指令。

2.1.2 數(shù)據(jù)獲取與預(yù)處理

本文使用Sniper工具來(lái)獲取用于訓(xùn)練大核和小核ANN性能預(yù)測(cè)器的兩個(gè)數(shù)據(jù)集。通過(guò)執(zhí)行SPLASH-2［21］中的所有應(yīng)用，收集每個(gè)周期的相關(guān)輸入?yún)?shù)和輸出標(biāo)簽等數(shù)據(jù)，以此來(lái)獲得原始數(shù)據(jù)集。

本文中，利用線程在一種類(lèi)型處理核上的運(yùn)行信息作為性能預(yù)測(cè)器的輸入?yún)?shù)，來(lái)預(yù)測(cè)該線程在其他類(lèi)型處理核上的性能表現(xiàn)，線程在不同類(lèi)型的處理核上執(zhí)行時(shí)，指令條數(shù)會(huì)有數(shù)量級(jí)的差別，因此，作為輸入?yún)?shù)的數(shù)據(jù)需要具有通用性，在大核上運(yùn)行線程得到的數(shù)據(jù)需要經(jīng)過(guò)處理才能作為小核性能預(yù)測(cè)器的輸入，反之亦然。此外，不同指標(biāo)往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以實(shí)現(xiàn)數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)。因此本文對(duì)收集到的原始數(shù)據(jù)作了以下處理：

1）針對(duì)上文提到的大核性能預(yù)測(cè)器和小核性能預(yù)測(cè)器指令條數(shù)的數(shù)量級(jí)差別問(wèn)題，本文用比例（某類(lèi)指令條數(shù)/指令總條數(shù)）來(lái)表示指令的執(zhí)行情況。

2）對(duì)所有參數(shù)進(jìn)行數(shù)據(jù)歸一化，本文用Min-Max 歸一化（見(jiàn)式（1）），將特征縮放到最小和最大值之間的給定范圍規(guī)范化特征，保證特征之間可以比較，減少溢出錯(cuò)誤的可能。

其中：a表示需要縮放的范圍的最小值；b表示需要縮放的范圍的最大值；Xmin表示樣本數(shù)據(jù)最小值；Xmax表示樣本數(shù)據(jù)的最大值。

2.1.3 預(yù)測(cè)函數(shù)

本文希望找到一個(gè)能表征輸入變量和輸出變量之間關(guān)系的預(yù)測(cè)函數(shù)，根據(jù)參考文獻(xiàn)［19］，ANN 可以通過(guò)定期提供新的數(shù)據(jù)樣本來(lái)保持動(dòng)態(tài)學(xué)習(xí)（通常稱為在線學(xué)習(xí)）。此外，ANN 具有高速尋找優(yōu)化解的能力。因此，ANN 適合應(yīng)用于本文的在線的快速預(yù)測(cè)模型中?？紤]到多核映射問(wèn)題的復(fù)雜性較大，本文最終使用了帶有一個(gè)隱藏層的三層的神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建ANN性能預(yù)測(cè)器。

ANN 的輸入層由9 個(gè)神經(jīng)元節(jié)點(diǎn)組成，用來(lái)接收9 個(gè)輸入?yún)?shù)。隱層節(jié)點(diǎn)數(shù)目對(duì)神經(jīng)網(wǎng)絡(luò)的性能有一定的影響。隱層節(jié)點(diǎn)數(shù)過(guò)少時(shí)，學(xué)習(xí)的容量有限，不足以存儲(chǔ)訓(xùn)練樣本中蘊(yùn)涵的所有規(guī)律；隱層節(jié)點(diǎn)過(guò)多不僅會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，而且會(huì)將樣本中非規(guī)律性的內(nèi)容（如干擾和噪聲）存儲(chǔ)進(jìn)去，反而降低泛化能力，導(dǎo)致過(guò)擬合現(xiàn)象的出現(xiàn)。本文參考文獻(xiàn)［22］中所提出的經(jīng)驗(yàn)公式：2n+m，來(lái)確立隱藏層節(jié)點(diǎn)的個(gè)數(shù)，其中n為輸入節(jié)點(diǎn)的數(shù)量（本文中輸入節(jié)點(diǎn)個(gè)數(shù)為9），m為0～10的正整數(shù)，在對(duì)m的數(shù)值進(jìn)一步進(jìn)行實(shí)驗(yàn)分析后，選擇使ANN性能預(yù)測(cè)器在訓(xùn)練集上獲得最好效果的m值（即5），因此最終本文選擇的隱藏層節(jié)點(diǎn)個(gè)數(shù)為23。隱藏層的每個(gè)神經(jīng)元節(jié)點(diǎn)會(huì)接收所有的輸入節(jié)點(diǎn)結(jié)果，在對(duì)其完成計(jì)算后通過(guò)激活函數(shù)傳遞到輸出層。輸出層利用所有隱藏神經(jīng)元節(jié)點(diǎn)的計(jì)算結(jié)果得到最后的輸出值（IPC）。

本文使用Maxout函數(shù)作為ANN 的激活函數(shù)，Maxout的擬合能力非常強(qiáng)大，并且計(jì)算量較小，不含有指數(shù)等復(fù)雜的運(yùn)算。因此，使用Maxout 在降低系統(tǒng)調(diào)度過(guò)程中的預(yù)測(cè)開(kāi)銷(xiāo)具有顯著的效果，這對(duì)于在線調(diào)度方法來(lái)說(shuō)是至關(guān)重要的。同時(shí)，Maxout函數(shù)在訓(xùn)練過(guò)程中也可以有效避免梯度飽和問(wèn)題，防止訓(xùn)練失敗的情況出現(xiàn)。ANN 的結(jié)構(gòu)如圖2 所示，其中：W即Weight，表示權(quán)重；b即bias，表示偏置）。

圖2 ANN的結(jié)構(gòu)Fig.2 ANN structure

ANN 性能預(yù)測(cè)器屬于機(jī)器學(xué)習(xí)中的回歸模型，因此本文使用回歸模型常用的均方誤差（Mean Squared Error，MSE）損失函數(shù)來(lái)對(duì)ANN 性能預(yù)測(cè)器進(jìn)行訓(xùn)練。使用MSE 函數(shù)訓(xùn)練ANN性能預(yù)測(cè)器時(shí)，整個(gè)ANN的梯度會(huì)隨MSE值的增大而增大，而MSE值趨于0時(shí)網(wǎng)絡(luò)的梯度則會(huì)減小，因此采用固定的學(xué)習(xí)率即可保證整個(gè)網(wǎng)絡(luò)可以有效的收斂，并在訓(xùn)練結(jié)束時(shí)取得良好的預(yù)測(cè)效果。一般常用的學(xué)習(xí)率有0.000 01、0.000 1、0.001、0.003、0.01、0.03、0.1、0.3、1、3、10，本文中通過(guò)基于經(jīng)驗(yàn)的手動(dòng)調(diào)整的方式，嘗試以上不同的固定學(xué)習(xí)率，觀察ANN 模型迭代次數(shù)和損失值的變化關(guān)系，找到損失值下降最快關(guān)系對(duì)應(yīng)的學(xué)習(xí)率為0.001，所以本文將學(xué)習(xí)率設(shè)置為固定的0.001。

2.2 線程-核類(lèi)型匹配

對(duì)于每個(gè)線程，通過(guò)性能預(yù)測(cè)器得到了在不同類(lèi)型處理核上運(yùn)行時(shí)的性能預(yù)測(cè)IPC 值，而本文希望得到的是線程到核心的映射關(guān)系，使得異構(gòu)多核系統(tǒng)的整體性能最大化，因此本文設(shè)計(jì)了一個(gè)核類(lèi)型匹配部件來(lái)找出線程與處理核類(lèi)型的最優(yōu)匹配，使得總的IPC值最大化。

該部件的主要功能是利用ANN 性能預(yù)測(cè)器給出的各個(gè)線程在不同類(lèi)型處理核上的性能（假設(shè)有大核和小核兩種類(lèi)型處理核，則對(duì)應(yīng)IPCbig、IPCsmal）l來(lái)對(duì)所有可行的匹配方案進(jìn)行評(píng)估，找出使所有線程總的IPC，即IPCsum最大的匹配方案。假設(shè)異構(gòu)多核平臺(tái)需要映射的線程數(shù)量為M，其中N個(gè)需要映射到大核上，其余M-N個(gè)線程映射到小核上。核類(lèi)型匹配部件每次選擇N個(gè)線程的IPCbig和其余M-N個(gè)線程的IPCsmall相加得到本次匹配的IPCsum，完成對(duì)所有可行匹配方案的探索，并將值最大的匹配方案輸出給下一步的熱安全映射計(jì)算部件。

具體來(lái)說(shuō)，假設(shè)有大核和小核兩種核心類(lèi)型，大核數(shù)量為N，線程數(shù)為M，性能預(yù)測(cè)器給出的結(jié)果是每個(gè)線程在大核心上的值以及在小核心上的值。如此，由性能預(yù)測(cè)器便能得到所有線程在大核心上的性能表現(xiàn)集合和所有線程在小核心上的性能表現(xiàn)集合，即：

核類(lèi)型匹配部件需要從IPCbig_i集合中選出N個(gè)元素；再?gòu)腎PCsmall_j集合中選出M-N個(gè)元素，且j≠i；計(jì)算選出的元素的和，記為SUM，將當(dāng)前最大的值記錄到SUMmax中。重復(fù)進(jìn)行，直到所有組合都計(jì)算完畢，找到對(duì)應(yīng)的線程到處理核類(lèi)型的匹配。

2.3 熱安全映射計(jì)算

一般來(lái)說(shuō)，當(dāng)處理核在較高的電壓-頻率（Voltage-Frequency，V-F）級(jí)執(zhí)行時(shí)，為了實(shí)現(xiàn)系統(tǒng)的高性能就要以功耗為代價(jià)［8］。因此，為了進(jìn)一步提高系統(tǒng)性能，一旦處理核上運(yùn)行的線程確定以后，為了進(jìn)一步提高性能，需要有盡可能高的V-F 設(shè)置。然而，V-F 的升高會(huì)導(dǎo)致功耗問(wèn)題，進(jìn)而造成熱安全問(wèn)題。因此，功率預(yù)算技術(shù)（如TSP），為系統(tǒng)提供一個(gè)安全的功率限制，當(dāng)利用DVFS 調(diào)整V-F 來(lái)最大化性能時(shí)，確保功率與安全的功率預(yù)算接近而不超過(guò)它。

假設(shè)Q是滿足線程-核心類(lèi)型綁定的映射集：對(duì)于映射集中的每個(gè)映射Qi，TSP（Q）i表示所有核心的功率預(yù)算。為了最大化性能，本文需要找到使TSP 最大的映射方案，然后V-F 級(jí)別可根據(jù)功率預(yù)算進(jìn)行調(diào)整。

在本文的方法中，找到合適的功率預(yù)算是很重要的一步。如果處理核配備了功率表，則可以通過(guò)測(cè)量每個(gè)處理核的實(shí)際功率并采取相應(yīng)的措施來(lái)避免熱安全問(wèn)題。但是，在硬件條件不足的情況下，也可以利用離線應(yīng)用程序分析或通過(guò)性能計(jì)數(shù)器進(jìn)行運(yùn)行時(shí)功率估計(jì)，將核心設(shè)置與功耗值關(guān)聯(lián)。本文使用參考文獻(xiàn)［8］中的功率預(yù)算技術(shù)，為每個(gè)處理核計(jì)算統(tǒng)一的安全功率預(yù)算。

處于芯片中不同位置的處理核具有不同的熱感受性［12］。對(duì)于同一類(lèi)型的處理核，線程不同的映射位置也會(huì)帶來(lái)不同的映射效果，例如某一線程T適合的處理核類(lèi)型為大核，而芯片中有兩個(gè)大核，對(duì)應(yīng)兩個(gè)不同的位置，此時(shí)對(duì)于線程T來(lái)說(shuō)就有兩種位置的選擇。因此，在知道線程的適配處理核類(lèi)型后，還需要對(duì)線程的具體映射位置進(jìn)行探索。對(duì)于不同的映射方案，同時(shí)考慮前文工作中的線程和處理核類(lèi)型的綁定以及功率預(yù)算限制，最終決策出最佳的映射方案。由于本文使用的處理核數(shù)量較少，可以通過(guò)遍歷的方法對(duì)所有可行的映射方案進(jìn)行探索，當(dāng)處理核數(shù)量較大時(shí)，可通過(guò)啟發(fā)式的算法對(duì)探索空間進(jìn)行簡(jiǎn)化。具體偽代碼如算法1所示。

本文中利用DVFS 來(lái)對(duì)系統(tǒng)中處理核的電壓和頻率進(jìn)行調(diào)節(jié)，而DVFS調(diào)節(jié)時(shí)需要提前為其提供V-F等級(jí)表（由電壓-頻率對(duì)組成的表格），當(dāng)系統(tǒng)需要進(jìn)行電壓和頻率的調(diào)整時(shí)則根據(jù)該表進(jìn)行調(diào)節(jié)。因此，本文在得到每個(gè)處理核的安全功率后，進(jìn)一步探索了電壓和頻率的設(shè)置。利用文獻(xiàn)［23］中的功率計(jì)算模型（見(jiàn)式（2）），根據(jù)本文的硬件平臺(tái)的可用頻率范圍，利用文獻(xiàn)［24］中電壓和頻率的最佳對(duì)應(yīng)表，找到可用頻率對(duì)應(yīng)的電壓，根據(jù)式（2）計(jì)算每一組V-F 對(duì)的相應(yīng)功率，再結(jié)合熱安全功率約束選出功率不超過(guò)熱安全功率的V-F 對(duì)構(gòu)成V-F 等級(jí)表，為DVFS 提供科學(xué)的V-F 等級(jí)表，使得DVFS 在提高系統(tǒng)性能的同時(shí)避免造成熱安全問(wèn)題。

其中：Ceff代表有效開(kāi)關(guān)電容；Vi和fi分別代表電壓和頻率。

3 實(shí)驗(yàn)評(píng)估

為了驗(yàn)證本文提出的熱安全約束下異構(gòu)多核感知的動(dòng)態(tài)映射方法，本文基于Sniper模擬器搭建了一個(gè)異構(gòu)多核平臺(tái)，通過(guò)不同的程序組合來(lái)模擬現(xiàn)實(shí)世界中不同的應(yīng)用行為。此外，將本文方法與常見(jiàn)的輪詢調(diào)度（Round Robin Scheduler，RRS）［25］進(jìn)行對(duì)比。

3.1 實(shí)驗(yàn)設(shè)置

在本次實(shí)驗(yàn)中，本文基于Sniper搭建了一個(gè)2大核-4小核的異構(gòu)多核平臺(tái)。大核和小核的指令集架構(gòu)均基于Intel Nehalem x86 架構(gòu)，且處理核的主頻均為2.66 GHz，發(fā)射寬度均為4，兩種類(lèi)型的處理核具有相同的緩存架構(gòu)（其中L1 Cache 為256 KB，L2 Cache 為512 KB，共享的L3 Cache 大小設(shè)置為8 MB）。但是大核擁有128 的指令窗口大小和長(zhǎng)度為48的讀取隊(duì)列，而小核的指令窗口大小為16，讀取隊(duì)列長(zhǎng)度為6。頻率調(diào)節(jié)的步長(zhǎng)為0.20 GHz，對(duì)于每個(gè)頻率，電壓的設(shè)置參照文獻(xiàn)［24］。

從常用的基準(zhǔn)套件SPLASH-2 中獲得應(yīng)用：barnes、cholesky、fft、fmm、lu、ocean、volread、radix、raytrace、radiosity。用不同的執(zhí)行場(chǎng)景如單個(gè)應(yīng)用程序、多個(gè)應(yīng)用程序的并發(fā)執(zhí)行，來(lái)模仿現(xiàn)實(shí)世界的各種行為。為了對(duì)本文方法進(jìn)行全面的評(píng)估，本文將SPLASH-2 基準(zhǔn)測(cè)試集進(jìn)行了分組，每組包含4 種程序，分組的原則是讓每種組合里盡量同時(shí)擁有MSE 較低和MSE 值較高的程序，具體分組見(jiàn)表1，并通過(guò)進(jìn)行多組實(shí)驗(yàn)來(lái)盡可能充分地模擬真實(shí)環(huán)境下的復(fù)雜調(diào)度場(chǎng)景。

表1 實(shí)驗(yàn)用的應(yīng)用程序組合Tab.1 Combinations of programs used in experiments

本文選取RRS 作為對(duì)照組，采取實(shí)驗(yàn)復(fù)雜度遞增的方式進(jìn)行對(duì)照實(shí)驗(yàn)，分別做了以下實(shí)驗(yàn)：

實(shí)驗(yàn)1 將RRS 作為對(duì)照組，將本文的性能預(yù)測(cè)模型在不考慮安全功率的情況下對(duì)線程進(jìn)行映射，即核類(lèi)型匹配部件計(jì)算出結(jié)果后，不考慮線程映射的具體核心位置（具體的映射位置隨機(jī)指定），并且不考慮功率限制，將實(shí)驗(yàn)結(jié)果與RRS方法比較，驗(yàn)證本文的性能預(yù)測(cè)模型在性能（IPC）上的優(yōu)越性。

實(shí)驗(yàn)2 仍然以RRS 為對(duì)照組，比較本文提出的帶功率約束的映射方法與RRS 的性能表現(xiàn)，驗(yàn)證加了安全功率約束后對(duì)系統(tǒng)性能的影響。

此外，為了比較使用熱安全功率模型計(jì)算安全功率預(yù)算與使用固定功率約束值下映射方法的不同效果，本文進(jìn)行了不同的功率約束設(shè)置下，關(guān)于系統(tǒng)吞吐量和資源利用率的對(duì)比實(shí)驗(yàn)。對(duì)于恒定的芯片級(jí)功率約束，由于這是一個(gè)模擬平臺(tái)，缺乏帶有關(guān)于TDP 信息的數(shù)據(jù)表，因此不能簡(jiǎn)單地考慮TDP。本次實(shí)驗(yàn)考慮兩種不同芯片級(jí)功率預(yù)算，在參考文獻(xiàn)［5］中取m=4和m=16，得到的值分別為70 W 和140 W，這也是當(dāng)前相關(guān)技術(shù)中的具有代表性TDP值［8］。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 性能預(yù)測(cè)器評(píng)估

本文考慮的是有大小兩種處理核的2大核-4小核的異構(gòu)多核平臺(tái)，需要建立兩個(gè)ANN 預(yù)測(cè)器：一個(gè)預(yù)測(cè)大核的性能，另一個(gè)預(yù)測(cè)小核的性能。兩個(gè)ANN 模型都是使用從運(yùn)行SPLASH-2 中收集的數(shù)據(jù)集進(jìn)行訓(xùn)練和評(píng)估的。將經(jīng)過(guò)預(yù)處理后的原始數(shù)據(jù)集按照機(jī)器學(xué)習(xí)模型訓(xùn)練和驗(yàn)證常用的劃分方法，本文將總數(shù)據(jù)集的70%用來(lái)訓(xùn)練模型，剩下的30%作為測(cè)試集用來(lái)評(píng)估該模型在未知數(shù)據(jù)上的預(yù)測(cè)能力。性能預(yù)測(cè)器的MSE如圖3所示。

圖3 ANN預(yù)測(cè)器的MSEFig.3 MSE of ANN predictor

均方誤差（MSE）值越低表示ANN 性能預(yù)測(cè)器的效果越好。從圖3 可看出，小核性能預(yù)測(cè)器和大核性能預(yù)測(cè)器在barnes 上表現(xiàn)最好，MSE 值分別為0.022 和0.015；在volread上表現(xiàn)最差，MSE 值分別為0.510 和0.610。從平均值來(lái)看，小核在10 個(gè)應(yīng)用程序上的平均MSE 值為0.170，大核的平均MSE 值為0.200，由實(shí)驗(yàn)數(shù)據(jù)可以看出，總體上大核性能預(yù)測(cè)器和小核性能預(yù)測(cè)器均具有較好的預(yù)測(cè)效果。

3.2.2 熱安全約束下的動(dòng)態(tài)映射方法實(shí)驗(yàn)結(jié)果

圖4 給出了實(shí)驗(yàn)1 將RRS 作為對(duì)照組，并將本文的映射方法在不考慮安全功率的情況下對(duì)線程進(jìn)行映射，驗(yàn)證本文的預(yù)測(cè)模型在性能（IPC）上的優(yōu)越性。其中橫坐標(biāo)表示不同的程序組合編號(hào)，縱坐標(biāo)是本文提出的映射方法（不考慮安全功率）與RRS 比較所實(shí)現(xiàn)的IPC 加速比。從圖4 中可以看出，本文提出的映射方法（不考慮安全功率）相較于RRS 在組合1上加速比最低，在組合4 上加速比最高，分別是1.340 和1.721，在5 種組合下平均實(shí)現(xiàn)了1.500 的加速比。這是因?yàn)榻M合1 含有MSE 值最高的volread 和MSE 較高的fft，因此整體的ANN 性能預(yù)測(cè)器預(yù)測(cè)效果較其他組合相比最差，所以達(dá)到的IPC 加速比最低。同理，組合4 中各程序的MSE 值整體比較接近，ANN 性能預(yù)測(cè)器的整體預(yù)測(cè)效果較好，因而達(dá)到了最高的IPC 加速比。而RRS 采用輪流將任務(wù)調(diào)度到每個(gè)處理核的方式，忽略了任務(wù)的資源需求以及處理核的特點(diǎn)，未能充分利用異構(gòu)多核處理器的特點(diǎn)和優(yōu)勢(shì)。相比之下，本文所提出的方法通過(guò)感知線程行為的變化和不同時(shí)刻下線程對(duì)處理核資源的需求，將線程及時(shí)分配到最適合其運(yùn)行的處理核上，從而能夠更好地發(fā)揮異構(gòu)多核所帶來(lái)的優(yōu)勢(shì)，獲得更好的映射效果。

如圖5 所示，運(yùn)用本文的方法在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行調(diào)度時(shí)，6 種組合間的IPC 加速比的差異性跟圖4 中的實(shí)驗(yàn)結(jié)果幾乎一致，但是，組合4 和組合6 的加速比均要比圖4 中相應(yīng)組合的加速比略低，這是由于加了熱安全功率約束，核心不能在其最大功率下運(yùn)行，而是在熱安全功率的約束下以其能夠達(dá)到的在保障熱安全的最大功率運(yùn)行。由實(shí)驗(yàn)結(jié)果可以看出雖然加速比小于前者，但是最大差距是組合6，僅為0.060，所以在性能上沒(méi)有造成巨大的損失，但后者卻保證了系統(tǒng)的熱安全。此外從平均值來(lái)看，圖4 的平均加速比為1.500，而用本文的方法跟RRS 方法比較，加速比為1.530，指令/周期（IPC）提高53%左右，總體性能得到了一定的提升。由實(shí)驗(yàn)結(jié)果可以看出本文方法不僅保證了系統(tǒng)的熱安全、穩(wěn)定性和可靠性，還進(jìn)一步提升了系統(tǒng)的性能。

圖4 本文方法（無(wú)TSP約束）和RRS的加速比Fig.4 Speedup ratio ofproposed method（without TSP constraint）and RRS

圖5 本文方法和RRS的加速比Fig.5 Speedup ratio of proposed method and RRS

此外，本文還考察了不同的功率約束設(shè)置對(duì)系統(tǒng)吞吐量和資源利用率的影響，對(duì)比功率約束為固定值與使用TSP 作為功率約束的不同效果。

圖6 給出了本文所使用的加入安全功率約束后與使用固定的設(shè)計(jì)功率約束值的異構(gòu)感知調(diào)度方法的應(yīng)用吞吐量結(jié)果。從圖6 可以看出，引入安全功率約束的動(dòng)態(tài)映射方法與使用70 W 和140 W 的TDP 值相比，系統(tǒng)吞吐量分別提升了29.0%和19.8%。這是由于引入了安全功率約束，可以保證在異構(gòu)多核平臺(tái)下每個(gè)處理核擁有更合理的功率閾值，和使用固定TDP相比，降低了處理核性能被限制的可能性，更多的處理核可以同時(shí)工作，減少了暗硅現(xiàn)象的出現(xiàn)，因此具有更高的吞吐量。

圖6 使用不同功率預(yù)算的系統(tǒng)吞吐量對(duì)比Fig.6 Comparison of system throughput using different power budgets

圖7 給出了在三種不同的功率約束下，運(yùn)行應(yīng)用程序時(shí)的資源利用率情況。很顯然，引入TSP 約束的動(dòng)態(tài)映射方法的資源利用率（91%）高于另外兩種功率約束情況下的資源利用率（77%和83%）。這是因?yàn)楫?dāng)功率預(yù)算固定時(shí)，在異構(gòu)多核平臺(tái)上處理核的熱量較高會(huì)導(dǎo)致暗硅現(xiàn)象的出現(xiàn)，為了保證處理核不被燒壞，不少處理核進(jìn)入低功耗模式運(yùn)行，降低了系統(tǒng)的資源利用率；而在引入TSP 約束后，暗硅現(xiàn)象得以減少，更多的處理核可以發(fā)揮作用，因此系統(tǒng)的資源利用率較高。

圖7 使用不同功率預(yù)算的資源利用率對(duì)比Fig.7 Comparison of resource utilization rate using different power budgets

4 結(jié)語(yǔ)

本文提出了一種基于溫度安全功率約束的動(dòng)態(tài)映射方法，以最大化異構(gòu)多核系統(tǒng)的性能。該方法在考慮處理核的類(lèi)型及線程執(zhí)行的階段性特征，以及芯片上不同位置的處理核具有不同熱感受性的基礎(chǔ)上，首先基于一個(gè)神經(jīng)網(wǎng)絡(luò)性能預(yù)測(cè)器來(lái)對(duì)線程與處理核類(lèi)型進(jìn)行匹配，然后再利用溫度安全功率模型將經(jīng)過(guò)匹配后的線程進(jìn)一步映射到芯片上的具體位置上，從而達(dá)到在保證系統(tǒng)溫度安全下優(yōu)化系統(tǒng)性能的目的。

在未來(lái)的工作中，雖然一般情況下功率越大則系統(tǒng)性能越好，但是IPC 和功率間的關(guān)系還有待探究，所以本文接下來(lái)一方面是尋找IPC 和功率之間的關(guān)系，從而能夠使系統(tǒng)在滿足應(yīng)用性能的情況下進(jìn)一步優(yōu)化功率。另一方面，為了更好地驗(yàn)證本文方法，將使用更多的處理核，并且采用實(shí)際的運(yùn)行平臺(tái)來(lái)進(jìn)一步進(jìn)行實(shí)驗(yàn)。