CN117290173A - 数据处理装置的控制方法、装置、设备及存储介质 - Google Patents
数据处理装置的控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117290173A CN117290173A CN202210684469.6A CN202210684469A CN117290173A CN 117290173 A CN117290173 A CN 117290173A CN 202210684469 A CN202210684469 A CN 202210684469A CN 117290173 A CN117290173 A CN 117290173A
- Authority
- CN
- China
- Prior art keywords
- instruction
- data processing
- temperature
- heat dissipation
- currently received
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000017525 heat dissipation Effects 0.000 claims abstract description 164
- 238000011022 operating instruction Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000012634 fragment Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3031—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a motherboard or an expansion card
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供一种数据处理装置的控制方法、装置、设备及存储介质。该方法包括当数据处理装置接收到运行指令时,确定当前接收到的运行指令的指令参数;根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度;响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作。实现了对运行温度的精确预测,在处理芯片高温运行的风险到来之前,提前(预先)进行散热操作,有效避免了处理芯片高温运行的风险,大大降低了处理芯片损坏的风险。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种数据处理装置的控制方法、装置、设备及存储介质。
背景技术
数据处理装置(如显卡)在运行过程中,会产生大量热量,会使处理芯片(如显卡芯片)的温度上升,处理芯片上的电子元器件都有运行温度的上限,超过这个上限轻则导致元器件运行不正常,重则导致元器件损坏。所以数据处理装置在工作时,需要实时监控自身的温度,并具备散热降温的能力。
目前的散热方案中,散热操作不及时,不能立即把堆积的热量散出去,所以温度仍会持续上升,散热操作进行一段时间之后,才会达到降温的效果。在此过程中,处理芯片长时间处于高温环境下,使得处理芯片损坏的风险升高。
发明内容
本公开的目的是提供一种数据处理装置的控制方法、装置、设备及存储介质,解决了现有技术中数据处理装置散热不及时导致处理芯片易损坏的技术问题。
根据本公开的一个方面,提供一种数据处理装置的控制方法,包括:
当数据处理装置接收到运行指令时,确定当前接收到的运行指令的指令参数;
根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度;
响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作。
在一些实施例中,上述数据处理装置的控制方法中,温度预测模型包括用于描述不同指令参数与数据处理装置分别执行具有不同指令参数的运行指令时的最大运行负载之间对应关系的第一预设关系,以及用于描述数据处理装置的最大运行负载与最大运行温度之间对应关系的第二预设关系;
根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度,包括以下步骤:
根据当前接收到的运行指令的指令参数,基于第一预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行负载;
根据数据处理装置执行当前接收到的运行指令时的预测最大运行负载,基于第二预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度。
在一些实施例中,上述数据处理装置的控制方法中,运行指令包括至少一个子指令,运行指令的指令参数包括运行指令中各个子指令的指令参数;
根据当前接收到的运行指令的指令参数,基于第一预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行负载,包括以下步骤:
根据当前接收到的运行指令中各个子指令的指令参数,基于第一预设关系,分别确定数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载;
将数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载进行加和,以得到数据处理装置执行当前接收到的运行指令时的预测最大运行负载。
在一些实施例中,上述数据处理装置的控制方法中,每个子指令包括至少一个待处理任务,子指令的指令参数包括子指令中各个待处理任务的类型以及各个待处理任务的任务量。
在一些实施例中,上述数据处理装置的控制方法中,温度预测模型通过以下步骤建立:
获取数据处理装置的历史运行数据;其中,历史运行数据包括数据处理装置分别执行具有不同指令参数的历史运行指令时的历史最大运行温度;
对历史运行数据进行训练,以得到温度预测模型。
在一些实施例中,上述数据处理装置的控制方法中,响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作,包括以下步骤:
响应于预测最大运行温度大于第一预设阈值,基于预先训练好的散热策略模型,确定与预测最大运行温度相对应的散热策略;
在数据处理装置执行当前接收到的运行指令之前,根据与预测最大运行温度相对应的散热策略,预先开始进行对应的散热操作。
在一些实施例中,上述数据处理装置的控制方法中,方法还包括:
监测数据处理装置执行当前接收到的运行指令时的实际最大运行温度;
根据实际最大运行温度,对温度预测模型或散热策略模型进行优化。
在一些实施例中,上述数据处理装置的控制方法中,根据实际最大运行温度,对温度预测模型进行优化,包括以下步骤:
响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度增大;
响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值;
响应于预测最大运行温度小于等于第一预设阈值且实际最大运行温度大于第一预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度等于对应的实际最大运行温度。
在一些实施例中,上述数据处理装置的控制方法中,根据实际最大运行温度,对散热策略模型进行优化,包括以下步骤:
响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度增大;
响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值。
在一些实施例中,上述数据处理装置的控制方法中,数据处理装置包括散热器;
散热操作包括调整散热器的工作参数和/或数据处理装置的工作频率。
根据本公开的另一方面,本公开提供一种数据处理装置的控制装置,包括:
指令接收模块,用于当数据处理装置接收到运行指令时,确定当前接收到的运行指令的指令参数;
温度预测模块,用于根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型中,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度;
散热模块,用于响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作。
根据本公开的另一方面,提供一种数据处理装置,包括存储器和处理器;
存储器上存储有计算机程序,该计算机程序被处理器执行时,执行上述任一实施例的数据处理装置的控制方法。
在一些实施例中,上述数据处理装置中,还包括散热器。
在一些实施例中,上述数据处理装置中,还包括温度传感器,用于采集数据处理装置的实际运行温度。
根据本公开的另一方面,提供一种电子设备,包括上述任一实施例的数据处理装置。
根据本公开的另一方面,提供一种存储介质,该存储介质存储的计算机程序,在被一个或多个处理器执行时,实现上述任一实施例的数据处理装置的控制方法。
附图说明
图1为本公开一个实施例提供的数据处理装置的控制方法的流程示意图。
图2为本公开一个实施例提供的数据处理装置的运行温度随时间的变化示意图;
图3为本公开一个实施例提供的数据处理装置的控制方法的另一流程示意图。
图4为本公开一个实施例提供的数据处理装置的控制装置的结构示意图。
具体实施方式
在介绍本公开实施例之前,应当说明的是:
本公开部分实施例被描述为处理流程,虽然流程的各个操作步骤可能被冠以顺序的步骤编号,但是其中的操作步骤可以被并行地、并发地或者同时实施。
本公开实施例中可能使用了术语“第一”、“第二”等等来描述各个特征,但是这些特征不应当受这些术语限制。使用这些术语仅仅是为了将一个特征与另一个特征进行区分。
本公开实施例中可能使用了术语“和/或”,“和/或”包括其中一个或更多所列出的相关联特征的任意和所有组合。
应当理解的是,当描述两个部件的连接关系或通信关系时,除非明确指明两个部件之间直接连接或直接通信,否则,两个部件的连接或通信可以理解为直接连接或通信,也可以理解为通过中间部件间接连接或通信。
为了使本公开实施例中的技术方案及优点更加清楚明白,以下结合附图对本公开的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本公开的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
一种数据处理装置的温度控制方法为,在处理芯片的关键位置放置温度传感器,用于实时监控处理芯片的关键元器件的运行温度,当该运行温度超过一定阈值时,会触发显卡内置的温度控制策略,进行散热操作,例如降低处理芯片的工作频率、调节散热器的工作参数(如风扇的转速)等手段来达到降低温度的目的。
但是上述散热操作的散热降温是需要一定的过程的,会有一定的延时效应,不能及时把堆积的热量散出去,所以温度会持续上升,散热操作进行一段时间之后,才会达到降温的效果。在此过程中,处理芯片长时间处于高温环境下,会导致处理芯片的损坏。
因此,可以将执行散热操作的温度阈值设置为比处理芯片的最高工作温度低2~3℃,即温度阈值与处理芯片的最高工作温度之间存在一定余量。使得在散热初期,即使处理芯片的运行温度持续上升,也不会超过处理芯片的最高工作温度,保证了处理芯片的安全运行,可降低处理芯片损坏的风险。
而本公开的目的是提供一种数据处理装置的温度控制方法,旨在根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型,预测出数据处理装置执行当前接收到的运行指令时的最大运行温度,当预测的最大运行温度大于第一预设阈值时,在数据处理装置执行当前接收到的运行指令之前,提前进行散热操作。实现了对最大运行温度的精确预测,在处理芯片高温运行的风险到来之前,提前(预先)进行散热操作,有效避免了处理芯片高温运行的风险,大大降低了处理芯片损坏的风险。
本公开的一个实施例提供一种数据处理装置的控制方法,如图1所示,该方法包括:
步骤S110:当数据处理装置接收到运行指令时,确定当前接收到的运行指令的指令参数;
步骤S120:根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型中,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度;
步骤S130:响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作。
也就是说,本公开中,基于预先训练好的温度预测模型,预测出数据处理装置执行当前接收到的运行指令时的最大运行温度,当预测的最大运行温度大于第一预设阈值时,在数据处理装置执行当前接收到的运行指令之前,提前进行散热操作。实现了对最大运行温度的精确预测,在处理芯片高温运行的风险到来之前,提前(预先)进行散热操作,有效避免了处理芯片高温运行的风险,大大降低了处理芯片损坏的风险。
可以理解为,温度预测模型用于描述不同指令参数与数据处理装置分别执行具有该些不同指令参数的运行指令时的最大运行温度的对应关系。所以,根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型,就可以得到数据处理装置执行当前接收到的运行指令时的最大运行温度,即上述预测最大运行温度。
在一些实施例中,温度预测模型通过以下步骤建立:
(a)获取数据处理装置的第一历史运行数据;其中,第一历史运行数据包括数据处理装置分别执行具有不同指令参数的历史运行指令时的历史最大运行温度;
(b)对第一历史运行数据进行训练,以得到温度预测模型。
即,以第一历史运行数据为训练样本,以构建温度预测模型。
在一些实施例中,对第一历史运行数据进行训练的方式包括但不限于逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)或决策树。
对于某些数据处理装置,如显卡,是连接显示器和计算机主板的重要组件。显卡用于将计算机系统所需要的显示信息进行转换以驱动显示器,并向显示器提供逐行或隔行扫描信号,控制显示器正确显示。所以,每一帧(frame)的开始,显卡会收到渲染这一帧的运行指令,对应的,显卡芯片(处理芯片)的运行也是逐帧进行的。因此,数据处理装置(显卡)的运行温度随时间的变化曲线呈现出高低起伏的波浪状,如图2所示,在每一帧,显卡运行时,显卡温度都会出现一个峰值。
在一些实施例中,第一预设阈值可以为数据处理装置中处理芯片的安全运行的最高温度。
在一些实施例中,第一预设阈值可以比数据处理装置中处理芯片的安全运行的最高温度低。进一步的,第一预设阈值可以比数据处理装置中处理芯片的安全运行的最高温度低2~3℃。
在一些实施例中,温度预测模型包括用于描述不同指令参数与数据处理装置分别执行具有不同指令参数的运行指令时的最大运行负载之间对应关系的第一预设关系,以及用于描述数据处理装置的最大运行负载与最大运行温度之间对应关系的第二预设关系。
对应的,步骤S120包括以下步骤:
步骤S122:根据当前接收到的运行指令的指令参数,基于第一预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行负载;
步骤S124:根据数据处理装置执行当前接收到的运行指令时的预测最大运行负载,基于第二预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度。
其中,第一预设关系如表1所示,所示第二预设关系如表2所示。
表1第一预设关系表
指令参数 | 最大运行负载 |
指令参数1 | 负载a |
指令参数2 | 负载b |
指令参数3 | 负载c |
指令参数… | 负载… |
表2第二预设关系表
最大运行负载 | 最大运行温度 |
负值a | 温度α |
负载b | 温度β |
负载c | 温度γ |
负载… | 温度… |
对应的,上述温度预测模型如表3所示。
表3温度预测模型
在一些实施例中,运行指令包括至少一个子指令,运行指令的指令参数包括运行指令中各个子指令的指令参数。
示例性的,当上述数据处理装置为显卡时,则显卡每一帧收到的运行指令包括状态更新(State update)、绘图(Draw)、渲染(Render)和栅栏(Fence)等类型的子指令。
其中,状态更新(State update)类的指令是用于加载状态(Load state)到硬件单元,包括几何状态更新(Geometry state update)、着色器状态更新(Shader stateupdate)、细分曲面状态更新(Tessellator state update)和片段状态更新(Fragmentstate update)等子指令。
绘图(Draw)指令用于发起几何管线(Geometry pipeline)部分的硬件模块开始工作。
渲染(Render)指令用于发起片段管线(Fragment pipeline)部分的硬件模块开始工作。
栅栏(Fence)指令用于等待命令完成。
示例性的,当目标任务是绘制一个红色的三角形,则显卡的运行步骤为:
第一步,三角形的顶点数3个,颜色红色,这些参数,会由状态更新(State update)类指令,分别加载到不同的硬件管线(Pipeline)模块,例如几何状态更新(Geometry stateupdate)指令将顶点数交给几何管线(Geometry pipeline)模块,着色器状态更新(Shaderstate update)指令将红色交给着色器管线(Shader pipeling)模块;
第二步,执行绘图(Draw)指令,激活几何管线(Geometry pipeline),开始工作;
第三步,执行栅栏(Fence)指令,等待绘图(Draw)指令完成;
第四步,执行片段状态更新(Fragment state update)指令,将几何管线(Geometry pipeline)模块的输出结果,以及深度(Depth)信息等参数加载至硬件模块;
第五步,执行渲染(Render)指令,激活片段管线(Fragment pipeline)开始工作;
第六步,执行栅栏(Fence)指令,等待渲染(Render)指令完成。
在一些实施例中,步骤S122,包括以下步骤:
步骤S122a:根据当前接收到的运行指令中各个子指令的指令参数,基于第一预设关系,分别确定数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载;
步骤S122b:将数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载进行加和,以得到数据处理装置执行当前接收到的运行指令时的预测最大运行负载。
也就是说,根据上述第一预设关系(如表1),根据当前一帧(Frame)接收到的各个子指令对应的指令参数分别得到各个子指令对应的最大运行负载值(预测最大负载值),然后将这个当前一帧(Frame)接收到的运行指令中各个子指令对应的最大运行负载值(预测最大负载值)相加,得到处理当前一帧(Frame)的运行指令的预测最大运行负载(总的预测最大负载值),然后再根据处理当前一帧(Frame)的运行指令的预测最大运行负载(总的预测最大负载值),基于第二预设关系(如表2),得到处理当前一帧(Frame)的运行指令的预测最大运行温度。
在一些实施例中,根据指令参数不同,预测最大运行负载可以通过计算公式计算,比如上述温度预测模型中存储有绘制一个三角形的负载,则绘制N个三角形,可以根据公式:绘制N个三角形的负载=N*绘制一个三角形的负载,计算得出。但是上述公式只是简单举例,实际上具体公式和硬件设计相关,硬件设计不同公式也会不同。
在一些实施例中,指令参数,是执行指令时传递的参数,例如,一个画三角形的指令,会有绘制的三角形个数的参数。
在一些实施例中,每个子指令包括至少一个待处理任务,子指令的指令参数包括子指令中各个待处理任务的类型以及各个待处理任务的任务量。
示例性的,当上述数据处理装置为显卡时,则显卡每一帧收到的运行指令包括状态更新(State update)、绘图(Draw)、渲染(Render)和栅栏(Fence)等类型的子指令。对应的,每个子指令的指令参数包括3D图像的应用程序编程接口(Application ProgrammingInterface,API)处理管线(Pipeline)相关的参数,其中,待处理任务包括顶点(Vertex)、三角形(Triangle)、纹理(Texture)和着色器(Shader),对应的各个待处理任务的任务量包括顶点(Vertex)个数、三角形(Triangle)个数、纹理(Texture)个数和着色器(Shader)复杂度等,还可以包括具体硬件计算单元特有的设计相关参数,例如并行数,时钟频率等。
也就是说,指令参数可以分成两类,一类是与3D图像的API的参数相对应的,一类是硬件具体设计实现特有的。
在一些实施例中,步骤S130中,可以直接根据预测最大运行温度的大小,执行对应力度的散热操作。
在另一些实施例中,步骤S130,可以包括以下步骤:
步骤S132:响应于预测最大运行温度大于第一预设阈值,基于预先训练好的散热策略模型,确定与预测最大运行温度相对应的散热策略;
步骤S134:在数据处理装置执行当前接收到的运行指令之前,根据与预测最大运行温度相对应的散热策略,预先开始进行对应的散热操作。
可以理解为,散热策略模型用于准确描述不同的预测最大运行温度与散热策略的对应关系。预测最大运行温度越大,基于上述散热策略模型确定的散热策略的散热力度也越大。
在一些实施例中,数据处理装置包括散热器;上述散热操作包括调整散热器的工作参数和/或数据处理装置的工作频率。
其中,数据处理装置(如显卡)的工作频率,指显卡图形处理单元(处理芯片)的工作频率,亦称为核心工作频率,普遍而言,显卡的工作频率越高,代表显卡图形处理单元的运算效能越佳,然而当工作频率增加,伴随而来的是使得显卡的负载升高,包括电压、及电流都会一并升高,热量增加,运行温度升高。所以,通过将数据处理装置的工作频率调低,也可以降低实际运行温度,具备一定的散热力度。
对应的,散热策略的散热力度越大,对应的散热器的散热效率需要越大或数据处理装置的工作频率越低。
所以,不同的预测最大运行温度对应的散热策略是不同的,基于预先训练好的散热策略模型,就可以准确匹配到与当前接收到的运行指令相对应的散热策略,使得数据处理装置在执行当前接收到的运行指令时的实际最大运行温度不会超过第一预设阈值,进一步避免了处理芯片高温运行的风险,大大降低了处理芯片损坏的风险。
在一些实施例中,散热器包括至少一个风扇,对应的,散热器的工作参数包括风扇的转速。风扇的转速越高,散热力度也越高。
在一些实施例中,进行散热操作的时机可以在数据处理装置执行当前接收到的运行指令之前,直接将散热器的工作参数或数据处理装置的工作频率调整至上述散热策略中的对应数值。另一些实施例中,进行散热操作的时机也可以在数据处理装置执行当前接收到的运行指令之前的预设时间内,提前开始梯度式增大散热器的散热力度或梯度式降低数据处理装置的工作频率(散热力度梯度变化过程始于运行指令执行前的预设时间,终于运行指令执行后的预设时间),使得数据处理装置在开始执行运行指令后,随处理芯片产生的热量的逐渐上升,针对数据处理装置的散热力度也会逐渐增大,直至散热器的工作参数或数据处理装置的工作频率达到上述散热策略中的对应数值后保持该数值。
在一些实施例中,上述方法还包括:
步骤S140:监测数据处理装置执行当前接收到的运行指令时的实际最大运行温度;
步骤S150:根据实际最大运行温度,对温度预测模型或散热策略模型进行优化。
也就是说,本公开中,除了对数据处理装置的运行温度的预测之外,还会对数据处理装置的实际运行温度进行监测,进一步保证了数据处理装置的安全运行。且本公开中的上述温度预测模型并不是一成不变的,而是会根据监测到的实际运行温度,进行模型的优化。
其中,步骤S150中根据实际最大运行温度,对温度预测模型进行优化,包括以下步骤:
步骤S152a:响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度增大;
步骤S154a:响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值;
步骤S156a:响应于预测最大运行温度小于等于第一预设阈值且实际最大运行温度大于第一预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度等于对应的实际最大运行温度。
即对温度预测模型的优化方式包括以上三种。
步骤S152a可以理解为,当预测最大运行温度和实际最大运行温度均大于第一预设阈值时,说明在执行了对应的散热操作之后,实际最大运行温度仍然高于第一预设阈值(最高工作温度),即散热力度不够,此时,需要对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度增大,增大后的预测最大运行温度输入上述散热策略模型中,就可以匹配到散热力度更大的散热策略,例如更大的散热风扇转速或数据处理装置更低的工作频率。
而步骤S152a中,基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度每次增大的步长可以为一个较小值,每次增大后,在下一次收到同样指令参数的运行指令时,再次进行散热、运行、监测实际运行温度的步骤,若该次对应的实际最大运行温度仍大于第一预设阈值时,则再次对上述温度预测模型进行修改,以此类推,逐步提高了优化后的温度预测模型的准确度。
步骤S154a中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值,则步骤S154a可以理解为,当预测最大运行温度大于第一预设阈值,且实际最大运行温度小于第二预设阈值时,说明在执行了对应的散热操作之后,实际最大运行温度远低于第一预设阈值,虽然保证了处理芯片的安全运行,但是散热过度,增加了不必要的耗能,还可能导致了较低的工作效率。因此,此时,需要对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度减小,减小后的预测最大运行温度输入上述散热策略模型中,就可以匹配到散热力度更小的散热策略,例如更小的散热风扇转速或数据处理装置更高的工作频率。
与步骤S152a类似的,步骤S154a中基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度每次减小的步长可以为一个较小值,每次减小之后,在下一次收到同样指令参数的运行指令时,再次进行散热、运行、监测实际运行温度的步骤,若该次对应的实际最大运行温度仍远低于第一预设阈值(小于第二预设阈值)时,则再次对上述温度预测模型进行修改,以此类推,逐步提高了优化后的温度预测模型的准确度。
步骤S156a可以理解为,当预测最大运行温度小于等于第一预设阈值,且实际最大运行温度大于第一预设阈值时,说明预测最大运行温度低于第一预设阈值(最高工作温度),未进行散热操作,但是实际最大运行温度又高于第一预设阈值,说明预测的最大运行温度不准确并影响了散热操作的执行,需要将温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度等于对应的实际最大运行温度(准确的温度峰值)。
需要说明的是,上述对温度预测模型的优化,可以是基于散热策略模型进行的,以缩短优化次数,快速实现对温度预测模型的优化。但是也可以不基于上述散热策略模型,直接对温度预测模型进行优化,经过一定次数的尝试之后,也可以实现对温度预测模型的优化。
在一些实施例中,也可以基于温度预测模型,对散热策略模型进行优化,对应的,步骤S150中根据实际最大运行温度,对散热策略模型进行优化,包括以下步骤:
步骤S152b:响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度增大;
步骤S154b:响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值。
其中,步骤S152b中,当预测最大运行温度和实际最大运行温度均大于第一预设阈值时,说明在执行了对应的散热操作之后,实际最大运行温度仍然高于第一预设阈值(安全工作的最高温度),即散热力度不够,此时,可以直接对散热策略模型进行修改,使得基于修改之后的散热策略模型得到的与当前的预测最大运行温度对应的散热策略的散热力度增大,例如将该策略中的散热风扇转速调大或数据处理装置的工作频率调低。
而步骤S152b中,基于修改之后的散热策略模型得到的与当前的预测最大运行温度对应的散热策略的散热力度每次增大的步长可以为一个较小值,每次增大后,在下一次收到同样指令参数的运行指令时,再次进行散热、运行、监测实际运行温度的步骤,若该次对应的实际最大运行温度仍大于第一预设阈值时,则再次对上述散热策略模型进行修改,以此类推,逐步提高了优化后的散热策略模型的准确度。
步骤S154b中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值,则步骤S154b可以理解为,当预测最大运行温度大于第一预设阈值,且实际最大运行温度小于第二预设阈值时,说明在执行了对应的散热操作之后,实际最大运行温度远低于第一预设阈值,虽然保证了处理芯片的安全运行,但是散热过度,增加了不必要的耗能,还可能导致了较低的工作效率。因此,此时,可以直接对散热策略模型进行修改,以使得基于修改之后的温度预测模型得到的与当前的预测最大运行温度对应的散热策略的散热力度减小,例如将该策略中的散热风扇转速调小或数据处理装置的工作频率调高。
与步骤S152b类似的,步骤S154b中,基于修改之后的散热策略模型得到的与当前的预测最大运行温度对应的散热策略的散热力度每次减小的步长可以为一个较小值,每次减小后,在下一次收到同样指令参数的运行指令时,再次进行散热、运行、监测实际运行温度的步骤,若该次对应的实际最大运行温度仍远低于第一预设阈值(小于第二预设阈值)时,则再次对上述散热策略模型进行修改,以此类推,进一步提高了优化后的散热策略模型的准确度。
需要说明的是,上述对温度预测模型和散热策略模型的优化步骤的优化效果,在下一次接收到同样指令参数的运行指令时,会得到验证,上述对温度预测模型和散热策略模型的优化步骤不会影响上述数据处理装置的正常运行。即当上述数据处理装置为显卡时,当前帧的运行指令执行完成后,当前帧结束,可以直接进入下一帧(新的一帧),如图3所示。与显卡对应的,上述对温度预测模型和散热策略模型的优化步骤的优化效果,当后续某一帧接收到相同指令参数的运行指令时,会得到验证。
进一步的,散热策略模型还可以用于描述不同的预测温度超出值(即预测最大运行温度与第一预设阈值的差值)与散热策略的对应关系。预测温度超出值(即预测最大运行温度与第一预设阈值的差值)越大,则对应的散热策略的散热力度越大。
对应的,在一些实施例中,散热策略模型通过以下步骤建立:
(1)获取数据处理装置的第二历史运行数据;其中,第二历史运行数据包括数据处理装置分别执行不同散热策略前后的实际最大运行温度的差值;
(2)对第二历史运行数据进行训练,以得到散热策略模型。
即,以第二历史运行数据为训练样本,以构建散热策略模型。
在一些实施例中,对第二历史运行数据进行训练的方式包括但不限于逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)或决策树。
对应的,预测最大运行温度在输入上述散热策略模型时,需要先进行与第一预设温度的差值计算,再将计算得到的差值输入上述散热策略模型中,以得到对应的散热策略。该差值越大,对应的预测最大运行温度也越大,则对应的散热策略的散热力度越大。
对应的,在一些实施例中,上述步骤S152a至步骤S156a中对温度预测模型的优化,也是对上述表3中第三列中对应最大运行温度的数值的优化。
除此之外,步骤S140中还可以监测数据处理装置执行当前接收到的运行指令时的实际最大运行负载,对应的,步骤S150中还可以根据测得的实际最大运行负载对上述表3中第二列中对应最大运行负载的数值的调整。具体优化步骤为:将实际最大运行负载与预测最大运行负载进行比较;当实际最大运行负载与预测最大运行负载不一致时,将表3中与当前接收到的运行指令的指令参数相对应的最大运行负载替换为当前测得的实际最大运行负载,以进一步对上述温度预测模型进行优化。
在一些实施例中,上述实际监测过程中,实际最大运行温度的采集是通过数据处理装置内的温度传感器采集得到的,温度传感器采样温度,然后上述数据处理装置的每一帧的运行过程中,温度传感器内部的处理器会将采集得到的实际最大运行温度与预测最大运行温度进行一个判断,以判断是否需要对温度预测模型进行优化。
在一些实施例中,上述实际监测过程中,实际最大运行负载的采集是通过数据处理装置内的负载检测器采集得到的,负载检测器采样负载值,然后上述数据处理装置的每一帧的运行过程中,负载检测器内部的处理器会将采集得到的实际最大运行负载与预测最大运行负载进行一个判断,以判断是否需要对温度预测模型进行优化。其中,负载检测器包括电压表或电流表。
基于相同的发明构思,如图4所示,本公开实施例还提供一种数据处理装置的控制装置400,包括指令接收模块410、温度预测模块420和散热模块430。
指令接收模块410,用于当数据处理装置接收到运行指令时,确定当前接收到的运行指令的指令参数;
温度预测模块420,用于根据当前接收到的运行指令的指令参数,基于预先训练好的温度预测模型中,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度;
散热模块430,用于响应于预测最大运行温度大于第一预设阈值,在数据处理装置执行当前接收到的运行指令之前,预先开始进行对应的散热操作。
在一些实施例中,温度预测模型包括用于描述不同指令参数与数据处理装置执行具有不同指令参数的运行指令时的最大运行负载之间对应关系的第一预设关系,以及用于描述数据处理装置的最大运行负载与最大运行温度之间对应关系的第二预设关系;
温度预测模块420,包括:
负载预测单元,用于根据当前接收到的运行指令的指令参数,基于第一预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行负载;
温度预测单元,用于根据数据处理装置执行当前接收到的运行指令时的预测最大运行负载,基于第二预设关系,确定数据处理装置执行当前接收到的运行指令时的预测最大运行温度。
在一些实施例中,运行指令包括至少一个子指令,运行指令的指令参数包括运行指令中各个子指令的指令参数;
负载预测单元,用于:
根据当前接收到的运行指令中各个子指令的指令参数,基于第一预设关系,分别确定数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载;
将数据处理装置执行当前接收到的运行指令中各个子指令时的预测最大运行负载进行加和,以得到数据处理装置执行当前接收到的运行指令时的预测最大运行负载。
在一些实施例中,每个子指令包括至少一个待处理任务,子指令的指令参数包括子指令中各个待处理任务的类型以及各个待处理任务的任务量。
在一些实施例中,温度预测模块420包括第一模型构建模块,第一模型构建模块包括:
第一获取模块,用于获取数据处理装置的历史运行数据;其中,历史运行数据包括数据处理装置分别执行具有不同指令参数的历史运行指令时的历史最大运行温度;
第一训练模块,用于对第一历史运行数据进行训练,以得到温度预测模型。
在一些实施例中,散热模块430包括:
匹配模块,用于响应于预测最大运行温度大于第一预设阈值,基于预先训练好的散热策略模型,确定与预测最大运行温度相对应的散热策略;
执行模块,用于在数据处理装置执行当前接收到的运行指令之前,根据与预测最大运行温度相对应的散热策略,预先开始进行对应的散热操作。
在一些实施例中,上述装置还包括:
监测模块,用于监测数据处理装置执行当前接收到的运行指令时的实际最大运行温度;
优化模块,用于根据实际最大运行温度,对温度预测模型或散热策略模型进行优化。
在一些实施例中,优化模块还用于:
响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度增大;
响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值;
响应于预测最大运行温度小于等于第一预设阈值且实际最大运行温度大于预测最大运行温度,对温度预测模型进行修改,以使得基于修改之后的温度预测模型得到的与当前接收到的运行指令的指令参数相对应的预测最大运行温度等于对应的实际最大运行温度。
在一些实施例中,优化模块用于:
响应于预测最大运行温度和实际最大运行温度均大于第一预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度增大;
响应于预测最大运行温度大于第一预设阈值且实际最大运行温度小于第二预设阈值,对散热策略模型进行修改,以使得基于修改之后的散热策略模型得到的与预测最大运行温度相对应的散热策略的散热力度减小;其中,第二预设阈值小于第一预设阈值,且第一预设阈值与第二预设阈值的差值大于第三预设阈值。
在一些实施例中,温度预测模型包括用于描述不同指令参数与数据处理装置执行具有不同指令参数的运行指令时的运行负载之间对应关系的第一预设关系,以及用于描述数据处理装置的运行负载与运行温度之间对应关系的第二预设关系;
在一些实施例中,数据处理装置包括散热器;
散热操作包括调整散热器的工作参数和/或数据处理装置的工作频率。
基于相同的发明构思,本公开实施例还提供一种数据处理装置,该数据处理装置包括存储器和处理器;其中,存储器上存储有计算机程序,该计算机程序被处理器执行时,执行任意一项数据处理装置的控制方法。在一些使用场景下,该数据处理装置的产品形式体现为显卡;在另一些使用场景下,该数据处理装置的产品形式体现为CPU主板。
存储器用于存储计算机程序,处理器在接收到执行指令后,执行计算机程序,前述相应实施例揭示的数据处理装置的控制方法可以应用于处理器中,或者由处理器实现。
存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器。
存储器可通过至少一个通信接口(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述任一项方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing Device,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的相应方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
在一些实施例中,上述数据处理装置还包括散热器。进一步的,上述散热器包括至少一个散热风扇。
在一些实施例中,上述数据处理装置还包括温度传感器,用于采集数据处理装置的实际运行温度。
在一些实施例中,上述数据处理装置还包括负载检测器,用于采集上述数据处理装置的实际运行负载。
基于相同的发明构思,本公开实施例还提供一种电子设备,该电子设备包括上述的数据处理装置。在一些使用场景下,该电子设备的产品形式是便携式电子设备,例如智能手机、平板电脑、VR设备等;在一些使用场景下,该电子设备的产品形式是个人电脑、游戏主机等。
基于相同的发明构思,本公开实施例还提供一种存储介质,该存储介质存储的计算机程序,在被一个或多个处理器执行时,实现任意一项数据处理装置的控制方法。其中,该控制方法的实现过程与前述示例相同,此处不再赘述。
Claims (16)
1.一种数据处理装置的控制方法,包括:
当所述数据处理装置接收到运行指令时,确定当前接收到的所述运行指令的指令参数;
根据当前接收到的所述运行指令的指令参数,基于预先训练好的温度预测模型,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行温度;
响应于所述预测最大运行温度大于第一预设阈值,在所述数据处理装置执行当前接收到的所述运行指令之前,预先开始进行对应的散热操作。
2.根据权利要求1所述的方法,所述温度预测模型包括用于描述不同指令参数与所述数据处理装置分别执行具有不同指令参数的所述运行指令时的最大运行负载之间对应关系的第一预设关系,以及用于描述所述数据处理装置的最大运行负载与最大运行温度之间对应关系的第二预设关系;
根据当前接收到的所述运行指令的指令参数,基于预先训练好的温度预测模型,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行温度,包括以下步骤:
根据当前接收到的所述运行指令的指令参数,基于所述第一预设关系,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行负载;
根据所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行负载,基于所述第二预设关系,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行温度。
3.根据权利要求2所述的方法,所述运行指令包括至少一个子指令,所述运行指令的指令参数包括所述运行指令中各个所述子指令的指令参数;
根据当前接收到的所述运行指令的指令参数,基于所述第一预设关系,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行负载,包括以下步骤:
根据当前接收到的所述运行指令中各个所述子指令的指令参数,基于所述第一预设关系,分别确定所述数据处理装置执行当前接收到的所述运行指令中各个所述子指令时的预测最大运行负载;
将所述数据处理装置执行当前接收到的所述运行指令中各个所述子指令时的预测最大运行负载进行加和,以得到所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行负载。
4.根据权利要求3所述的方法,每个所述子指令包括至少一个待处理任务,所述子指令的指令参数包括所述子指令中各个所述待处理任务的类型以及各个所述待处理任务的任务量。
5.根据权利要求1所述的方法,所述温度预测模型通过以下步骤建立:
获取所述数据处理装置的历史运行数据;其中,所述历史运行数据包括所述数据处理装置分别执行具有不同指令参数的历史运行指令时的历史最大运行温度;
对所述历史运行数据进行训练,以得到所述温度预测模型。
6.根据权利要求1所述的方法,响应于所述预测最大运行温度大于第一预设阈值,在所述数据处理装置执行当前接收到的所述运行指令之前,预先开始进行对应的散热操作,包括以下步骤:
响应于所述预测最大运行温度大于第一预设阈值,基于预先训练好的散热策略模型,确定与所述预测最大运行温度相对应的散热策略;
在所述数据处理装置执行当前接收到的所述运行指令之前,根据与所述预测最大运行温度相对应的散热策略,预先开始进行对应的散热操作。
7.根据权利要求6所述的方法,所述方法还包括:
监测所述数据处理装置执行当前接收到的所述运行指令时的实际最大运行温度;
根据所述实际最大运行温度,对所述温度预测模型或所述散热策略模型进行优化。
8.根据权利要求7所述的方法,根据所述实际最大运行温度,对所述温度预测模型进行优化,包括以下步骤:
响应于所述预测最大运行温度和所述实际最大运行温度均大于所述第一预设阈值,对所述温度预测模型进行修改,以使得基于修改之后的所述温度预测模型得到的与当前接收到的所述运行指令的指令参数相对应的所述预测最大运行温度增大;
响应于所述预测最大运行温度大于所述第一预设阈值且所述实际最大运行温度小于第二预设阈值,对所述温度预测模型进行修改,以使得基于修改之后的所述温度预测模型得到的与当前接收到的所述运行指令的指令参数相对应的所述预测最大运行温度减小;其中,所述第二预设阈值小于所述第一预设阈值,且所述第一预设阈值与第二预设阈值的差值大于第三预设阈值;
响应于所述预测最大运行温度小于等于所述第一预设阈值且所述实际最大运行温度大于所述第一预设阈值,对所述温度预测模型进行修改,以使得基于修改之后的所述温度预测模型得到的与当前接收到的所述运行指令的指令参数相对应的所述预测最大运行温度等于对应的所述实际最大运行温度。
9.根据权利要求7所述的方法,根据所述实际最大运行温度,对所述散热策略模型进行优化,包括以下步骤:
响应于所述预测最大运行温度和所述实际最大运行温度均大于所述第一预设阈值,对所述散热策略模型进行修改,以使得基于修改之后的所述散热策略模型得到的与所述预测最大运行温度相对应的散热策略的散热力度增大;
响应于所述预测最大运行温度大于所述第一预设阈值且所述实际最大运行温度小于第二预设阈值,对所述散热策略模型进行修改,以使得基于修改之后的所述散热策略模型得到的与所述预测最大运行温度相对应的散热策略的散热力度减小;其中,所述第二预设阈值小于所述第一预设阈值,且所述第一预设阈值与第二预设阈值的差值大于第三预设阈值。
10.根据权利要求1所述的方法,所述数据处理装置包括散热器;
所述散热操作包括调整所述散热器的工作参数和/或所述数据处理装置的工作频率。
11.一种数据处理装置的控制装置,包括:
指令接收模块,用于当所述数据处理装置接收到运行指令时,确定当前接收到的所述运行指令的指令参数;
温度预测模块,用于根据当前接收到的所述运行指令的指令参数,基于预先训练好的温度预测模型中,确定所述数据处理装置执行当前接收到的所述运行指令时的预测最大运行温度;
散热模块,用于响应于所述预测最大运行温度大于第一预设阈值,在所述数据处理装置执行当前接收到的所述运行指令之前,预先开始进行对应的散热操作。
12.一种数据处理装置,包括存储器和处理器;
所述存储器上存储有计算机程序,该计算机程序被所述处理器执行时,执行如权利要求1至10中任意一项所述的数据处理装置的控制方法。
13.根据权利要求12所述的装置,还包括散热器。
14.根据权利要求12所述的装置,还包括温度传感器,用于采集所述数据处理装置的实际运行温度。
15.一种电子设备,包括如权利要求12至14中任一项所述的数据处理装置。
16.一种存储介质,该存储介质存储的计算机程序,在被一个或多个处理器执行时,实现如权利要求1至10中任一项所述的数据处理装置的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684469.6A CN117290173A (zh) | 2022-06-17 | 2022-06-17 | 数据处理装置的控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684469.6A CN117290173A (zh) | 2022-06-17 | 2022-06-17 | 数据处理装置的控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290173A true CN117290173A (zh) | 2023-12-26 |
Family
ID=89250427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684469.6A Pending CN117290173A (zh) | 2022-06-17 | 2022-06-17 | 数据处理装置的控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290173A (zh) |
-
2022
- 2022-06-17 CN CN202210684469.6A patent/CN117290173A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7739530B2 (en) | Method and program for generating execution code for performing parallel processing | |
KR101529802B1 (ko) | 효율적인 콘텍스트 분류를 제공하기 위한 방법 및 장치 | |
TWI518587B (zh) | 於不對稱多處理器系統中的核心切換加速之技術 | |
US7076672B2 (en) | Method and apparatus for performance effective power throttling | |
AU2016203619A1 (en) | Layer-based operations scheduling to optimise memory for CNN applications | |
EP2726952B1 (en) | Method and apparatus for configurable thermal management | |
CN103677208A (zh) | 利用3d工作量执行动态电压和频率缩放策略的半导体器件 | |
US9588915B2 (en) | System on chip, method of operating the same, and apparatus including the same | |
US20230333624A1 (en) | Application profiling for power-performance management | |
US11354156B2 (en) | Master device for managing distributed processing of task by using resource information | |
US11906580B2 (en) | Automated overclocking using a prediction model | |
CN104380221A (zh) | 处理器频率和系统休眠状态的联合优化 | |
TW202004393A (zh) | 一種智慧型超頻方法 | |
TWI512629B (zh) | 用於表格驅動之多重被動跳脫平台被動熱管理之設備及方法、計算系統及電腦可讀媒體 | |
CN117290173A (zh) | 数据处理装置的控制方法、装置、设备及存储介质 | |
JP6297748B2 (ja) | プロデューサ/コンシューマワークロードシリアライゼーションの検出に基づいたプロセッサ状態制御 | |
KR20140005808A (ko) | 프로세싱 유닛에 대한 전력 관리 시스템 및 방법 | |
CN115618518A (zh) | 一种串激电机散热性能优化方法、终端及计算机存储介质 | |
US20130219123A1 (en) | Multi-core processor sharing l1 cache | |
EP3979134A1 (en) | Contactless system and method for reducing electromagnetic disturbances of said contactless system | |
TWI571729B (zh) | 基於優先順序之智慧型平台被動熱管理技術 | |
US20210326232A1 (en) | Increasing cpu clock speed to improve system performance | |
US20240193120A1 (en) | System on chip and operating method thereof | |
US11953965B2 (en) | Adaptive power management | |
US20240193067A1 (en) | System on chip and operating method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |