[發(fā)明專利]一種基于性能事件計數(shù)和溫度的GPU實時功率建模方法

有效

• 申請?zhí)枺?/td>: 202110147178.9
• 申請日: 2021-02-03
• 公開（公告）號: CN112784435B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設計）人: 楊良懷;陳敏麗;范玉雷
• 申請（專利權）人: 浙江工業(yè)大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F9/50
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種基于性能事件計數(shù)和溫度的GPU實時功率建模方法，包括如下步驟：

步驟一：GPU實時功率建模數(shù)據(jù)采集，對于不同廠商的GPU其內部的性能事件的設置存在差異，因此首先需要基于GPU管理庫和性能計數(shù)器訪問接口開發(fā)相應的數(shù)據(jù)采集程序，再運行相關的GPU工作負載，選擇合適的采樣頻率來獲取GPU中所需硬件性能事件的計數(shù)值以及對應時刻下的GPU溫度和功率信息，對于沒有內置功率傳感器的GPU則通過外接功率計的方式來獲取實時功率數(shù)據(jù)；

步驟二：GPU硬件性能事件選擇，找到適用于GPU實時功率建模的性能事件集合；具體的特征選擇過程如下：

1)采用步驟一中所開發(fā)的數(shù)據(jù)采集程序，通過多次運行GPU工作負載以輪詢的方式按1Hz采樣頻率采集GPU中所有性能事件計數(shù)值以及相應時刻的功率數(shù)據(jù)；

2)計算各GPU性能事件與功率之間的皮爾遜相關系數(shù)r；根據(jù)皮爾遜相關系數(shù)越接近0，相關性越差，越接近-1，負相關性越好的原則，設置能夠區(qū)別相關性低的閾值ε，剔除相關系數(shù)rε的性能事件；

3)在剩余的性能事件集合中，使用特征子集搜索和子集評價算法，找出適用于GPU實時功率建模的候選性能事件集合；

4)剔除候選集中在不同類型負載下，與GPU功率并非始終強相關的性能事件，保證最終選定的性能事件數(shù)小于GPU內置性能計數(shù)器個數(shù)；

步驟三：GPU實時功率預測模型構建，運行GPU工作負載，通過步驟一的采集程序以一定的采樣頻率，采集步驟二所選定的GPU性能事件集計數(shù)以及對應時刻下的GPU溫度和功率數(shù)據(jù)作為GPU回歸模型的訓練數(shù)據(jù)集D，用于構建GPU實時功率回歸樹模型，具體建模過程如下：

1)將步驟二所選定的性能事件集和GPU溫度作為GPU實時功率回歸預測模型的參數(shù)；

2)將訓練數(shù)據(jù)集D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，對于第i個樣本(x_i,y_i),i∈[1,n]，x_i為樣本i的特征向量，y_i為對應的預期值，用于GPU實時功率回歸預測模型的訓練；

3)遍歷訓練數(shù)據(jù)集所有特征A以及相應的所有可能切分點s，尋找切分特征A_i和切分點s’，將訓練數(shù)據(jù)集D劃分成兩個子集D₁、D₂，其中使切分后的子集方差和最小，計算公式如下：

其中，c₁、c₂分別為子集D₁、D₂的樣本輸出均值，計算公式如下：

重復直至滿足停止條件：當切分后的子集樣本數(shù)量小于所設定的參數(shù)n，則不再繼續(xù)切分；

4)至此即完成了GPU實時功率回歸樹的構建。

2.如權利要求1所述的基于性能事件計數(shù)和溫度的GPU實時功率建模方法，其特征在于：步驟一所述的采樣頻率，是指滿足建模所需精度要求的采樣頻率，選擇1～50Hz之間的采樣頻率。

3.如權利要求1所述的基于性能事件計數(shù)和溫度的GPU實時功率建模方法，其特征在于：步驟二所述的閾值ε取0.5。