دانلود رایگان مقاله زمان بندی بهینه مصرف انرژی آگاه در پردازنده های چند هسته ای ناهمگن – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
زمان بندی بهینه مصرف انرژی آگاه در پردازنده های چند هسته ای ناهمگن
عنوان انگلیسی مقاله:
Fairness-Aware Energy Efficient Scheduling on Heterogeneous Multi-Core Processors
سال انتشار مقاله:
2021
کلمات کلیدی مقاله:
زمانبندی کارآمد انرژی ، برنامه ریزی منصفانه ، ناهمگن چند هسته ای ، معماری big.LITTLE
مناسب برای رشته های دانشگاهی زیر:
کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار، معماری سیستم های کامپیوتری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF با کلیک بر روی دکمه آبی، دانلود نمایید. برای ثبت سفارش ترجمه نیز روی دکلمه قرمز رنگ کلیک نمایید. سفارش ترجمه نیازمند زمان بوده و ترجمه این مقاله آماده نمیباشد و پس از اتمام ترجمه، فایل ورد تایپ شده قابل دانلود خواهد بود.
فهرست مطالب:
Introduction
Motivation and Related Work
System Model, Metrics and Problem Statement
Hfee Framework
Experimental Evaluation
Conclusion and Future Work
قسمتی از مقاله انگلیسی:
1 INTRODUCTION
THE dark silicon phenomenon, process variation, and the failure of Dennard scaling pushed computer designers to develop heterogeneous (asymmetric) multicore processors (HMP). HMPs can be divided into two categories: I) cores with the same instruction set architecture, such as ARM’s big.LITTLE and Nvidia’s Kal-El, and II) cores with different instruction set architectures, such as IBM Cell, Nvidia’s Tegra, and AMD’s Fusion. ARM’s big.LITTLE processors contain two distinct types of cores: high performance Cortex-A15 (big cluster) and low power Cortex-A7 (little cluster). Each cluster has a specific microarchitecture, voltage and frequency levels, cache size and pipeline stages. The execution time and energy consumption of any program is affected by: a) cluster type and b) the voltage and frequency level of each cluster. Therefore, exploiting these characteristics at the OS (Operating System) scheduler level is crucial. With the aim of optimizing both the overall makespan (the duration time of the start of programs to the end of the last program) and energy consumption, a variety of scheduling algorithms have been proposed for asymmetric multicore processors *1-28+. To achieve this, the algorithms learn about application behaviors and map CPU intensive workloads to big cores, while assign memory intensive workloads to little cores. For workload distribution among different clusters, some techniques *16,27+ exploit ILP (instruction level parallelism) and MLP (memory level parallelism) instead of the CPU and memory intensity of tasks.
