CN117331677A - 基于任务负载监控的双芯片自由控制方法及系统 - Google Patents

基于任务负载监控的双芯片自由控制方法及系统 Download PDF

Info

Publication number
CN117331677A
CN117331677A CN202311629754.9A CN202311629754A CN117331677A CN 117331677 A CN117331677 A CN 117331677A CN 202311629754 A CN202311629754 A CN 202311629754A CN 117331677 A CN117331677 A CN 117331677A
Authority
CN
China
Prior art keywords
chip
task load
short
busyness
task
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.)
Granted
Application number
CN202311629754.9A
Other languages
English (en)
Other versions
CN117331677B (zh
Inventor
韦加新
张宴菱
张芷源
段敏琪
李晨毅
彭美龄
韦志浩
韦廷高
许伟坡
韦国栋
张深发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinkeyun Technology Co ltd
Original Assignee
Shenzhen Xinkeyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinkeyun Technology Co ltd filed Critical Shenzhen Xinkeyun Technology Co ltd
Priority to CN202311629754.9A priority Critical patent/CN117331677B/zh
Publication of CN117331677A publication Critical patent/CN117331677A/zh
Application granted granted Critical
Publication of CN117331677B publication Critical patent/CN117331677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及芯片数据处理技术领域，提出了基于任务负载监控的双芯片自由控制方法及系统，包括：获取芯片状态参数；获取预设长度的芯片短时序片段，根据芯片状态参数计算芯片任务负载运转繁忙度和芯片饱和运转系数；根据芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算芯片任务负载差异概率和芯片任务负载评价距离；根据芯片任务负载评价距离计算芯片任务负载运转繁忙度预测值；根据不同芯片短时序片段的芯片饱和运转系数和芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级；利用芯片任务负载运转优先级完成对双芯片的自由控制。本发明提高了芯片自由控制过程中芯片任务负载监控的准确可靠性。

Description

基于任务负载监控的双芯片自由控制方法及系统
技术领域
本发明涉及芯片数据处理技术领域，具体涉及基于任务负载监控的双芯片自由控制方法及系统。
背景技术
集成电路芯片是现代化工业生产的重要基石，随着半导体加工制造工艺逐渐成熟和完善，以集成电路芯片为基础的各种的产品深入日常生活中，集成电路芯片广泛应用于日常生活、工业加工、航空航天等多种不同领域中。但随着用户群体规模的增加，数据信息也呈现爆炸式增长趋势，单个芯片受限于芯片本身工艺尺寸结构和功耗温度，单个芯片在面临大量数据时会呈现明显的处理瓶颈，因此通过双芯片、多芯片级联系统对大规模数据进行处理。
在双芯片对数据处理过程中，由于不同芯片程序数据任务运行负载情况存在差异，因此需要针对双芯片处理过程中负载动态变化情况对双芯片任务负载进行控制调整，使整个系统维持性能和功耗最佳动态平衡，提高程序数据运行性能。
发明内容
本发明提供基于任务负载监控的双芯片自由控制方法及系统，针对芯片任务负载预测过程中移动平均预测算法权值难以确定导致的芯片任务负载预测不准确，而影响双芯片控制不准确的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于任务负载监控的双芯片自由控制方法，该方法包括以下步骤：
获取芯片状态参数；
获取预设长度的芯片短时序片段，根据每个芯片短时序片段中芯片状态参数计算每个不同时刻芯片任务负载运转繁忙度；根据每个不同时刻芯片任务负载运转繁忙度计算不同短时序片段的芯片饱和运转系数；
根据每个不同时刻芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算不同时刻处的芯片任务负载差异概率，根据不同时刻的芯片任务负载差异概率计算不同时刻处的芯片任务负载评价距离；根据不同时刻处的芯片任务负载评价距离计算不同时刻处的芯片任务负载运转繁忙度预测值；
根据不同芯片短时序片段的芯片饱和运转系数和每个不同时刻处的芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级；利用芯片任务负载运转优先级完成对双芯片的自由控制。
优选地，所述获取每个时刻芯片状态参数包括：每个不同时刻的芯片频率、温度和电压。
优选地，所述根据每个芯片短时序片段中芯片状态参数计算每个不同时刻芯片任务负载运转繁忙度的方法为：
将每个不同时刻处的芯片电压与芯片电压均值的差值记为第一差值，将第一差值与芯片电压均值的比值记为第一比值，将芯片短时序片段中不同时刻处第一比值的和记为第一和值，将第一和值与每个不同时刻的芯片频率和温度的乘积记为芯片任务负载运转繁忙度。
优选地，所述根据每个不同时刻芯片任务负载运转繁忙度计算不同短时序片段的芯片饱和运转系数的数学公式为：
；
式中，Norm[]表示了归一化函数，K表示了连续相邻时序短片段个数，σbsj、σbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的方差，μbsj、μbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的均值，M表示了时序短片段长度，exp[]表示了以自然常数为底的指数函数，Sim()表示了两个芯片的负载三元向量之间的余弦相似性，vcpi,t表示了第i个时序短片段的第t个的时刻处的芯片负载三元向量，vcpi,t+1表示了第i个时序短片段的第t+1个的时刻处的芯片负载三元向量，sati表示了第i个时序短片段的芯片饱和运转系数。
优选地，所述芯片负载三元向量的获取方法为：
将每个不同时刻的芯片电压和频率分别作为芯片负载三元向量的第一维度和第二维度，将芯片短时序片段中芯片任务负载运转繁忙度最大值和最小值的差作为芯片负载三元向量的第三维度。
优选地，所述根据每个不同时刻芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算不同时刻处的芯片任务负载差异概率的方法为：
将每个芯片短时序片段中不同时刻位置处芯片任务负载运转繁忙度差的绝对值记为芯片任务负载量化差异，将每个芯片短时序片段中芯片任务负载量化差异数值相同的每个数据点个数分别与芯片短时序片段预设长度的比值记为芯片负载差异概率。
优选地，所述根据不同时刻的芯片任务负载差异概率计算不同时刻处的芯片任务负载评价距离的数学表达式为：
；
式中，exp[]表示了以自然常数为底的指数函数，tmi,j表示了第i个短时序片段中第j个时刻位置处的时刻大小，tmq,j表示了第q个短时序片段中第j个时刻位置处的时刻大小，M表示了短时序片段的长度，log2()表示了以数字2为底的对数函数，pdi,j表示了第i个短时序片段中第j个时刻位置处的芯片任务负载差异频率，pdq,j表示了第q个短时序片段中第j个时刻位置处的芯片任务负载差异频率，dist(i,q),j表示了第i个短时序片段和第q个短时序片段在时刻j位置处的芯片任务负载评价距离。
优选地，所述根据不同时刻处的芯片任务负载评价距离计算不同时刻处的芯片任务负载运转繁忙度预测值的方法为：
；
式中，N表示了当前时刻t位置前所有不同的短时序片段的总个数，exp[]表示了以自然常数为底的指数函数，dist(i,q),t表示了第i个短时序片段和第q个短时序片段在时刻t位置处的芯片任务负载评价距离，bsi,t表示了第i个短时序片段中第t个时刻处的芯片任务负载运转繁忙度，bFsi+1,t表示了第i+1个短时序片段中第t个时刻位置处的芯片任务负载运转繁忙度预测值。
优选地，所述根据不同芯片短时序片段的芯片饱和运转系数和每个不同时刻处的芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级的数学表达式为：
；
式中，exp()表示了以自然常数为底的指数函数，sata,i，satb,i分别表示了在第i个短时序片段中a芯片和b芯片的饱和运转系数，MbFsa,i+1，MbFsb,i+1分别表示了在第i+1个短时序片段中a芯片和b芯片的任务负载运转繁忙度预测值的均值大小，PRa，PRb分别表示了a芯片和b芯片任务负载运转优先级。
第二方面，本发明实施例还提供了基于任务负载监控的双芯片自由控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明根据芯片在不同时刻处芯片状态参数的变化情况计算得到芯片任务负载运转繁忙度，较为有效的凸显出芯片在不同任务负载状态下的特征，同时，本发明根据芯片任务负载运转繁忙度计算得到芯片饱和运转系数，更明确地反映出芯片任务负载繁忙运转状态下的特点，进一步地，本发明根据芯片任务负载运转繁忙度获取芯片任务负载评价距离并对下一个短时序片段的芯片任务负载运转繁忙度进行优化预测，有效地规避了传统移动平均预测算法对芯片任务负载运转繁忙度进预测时权重难以确定造成的芯片任务负载预测精确性较差的缺陷。本发明根据芯片任务负载运转繁忙度预测值和芯片饱和运转系数对芯片任务负载运行状态进评估得到两个不同芯片的芯片任务负载运转优先级，提高了双芯片控制过程中的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于任务负载监控的双芯片自由控制方法的流程示意图；
图2为芯片任务负载运转繁忙度预测值计算流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的基于任务负载监控的双芯片自由控制方法流程图，该方法包括以下步骤：
步骤S001，获取芯片状态参数。
需要说明的是，通常情况下，在集成电路芯片SOC（系统级芯片）结构设计完成时，其芯片频率、功耗也随之固定。因此，当芯片处于空闲、任务负载运行和任务满载不同状态下，芯片的频率、功耗也会存在较大的差异，同时，由于芯片长时间满载运行，其芯片温度也会出现较大差异。由于芯片功率直接获取难度较高，芯片运行电压与功耗中间呈现明显的正相关关系，因此，对于两个不同的芯片，分别获取不同时刻下芯片状态参数，包括芯片频率，电压和温度状数据信息。
步骤S002，获取预设长度的芯片短时序片段，根据每个芯片短时序片段中芯片状态参数计算每个不同时刻芯片任务负载运转繁忙度；根据每个不同时刻芯片任务负载运转繁忙度计算不同短时序片段的芯片饱和运转系数。
需要说明的是，若当前时刻下存在大量待处理数据任务，需要分别获取两个不同芯片的任务负载状态情况，并根据两个不同芯片任务负载运行状态对待处理数据任务进行调节。若芯片处于空闲状态时，此时该芯片应与任务负载运行下芯片状态参数应具有较为明显的区别特征，因此需要首先根据芯片状态参数对芯片任务负载情况进行计算。
具体的，在计算时刻i状态下芯片任务负载状态时，由于芯片任务负载繁忙状态可能会在时间上具有一定的延续性，因此应首先获取芯片短时序片段，假设该时序短片段长度为M，本发明取经验值M为25个时间单位长度作为芯片任务负载状态计算过程中时序短片段的长度；
；
式中，ft表示在时刻i处芯片的频率，Tt表示了在时刻i处芯片的温度，M表示了芯片时序短片段长度，vk表示了时刻i位置处的短时序片段中第k个位置处的电压数据，vmt表示了时刻t位置处的短时序片段中每个不同时刻位置处电压数据的均值，bst表示了时刻t处芯片任务负载运转繁忙度。
通过上式可以对两个不同芯片的不同时刻下的任务负载运转繁忙度进行计算，由于不同时刻下芯片任务负载状态可能存在较大的变化，当时刻t处芯片频率越高，温度越高同时，在时刻t的时序短片段中不同时刻位置处的芯片电压与时序短片段中芯片电压均值的差值越大，说明此时当前时刻t处芯片有较大可能处于任务满载运行状态，此时计算得到芯片任务负载运转繁忙度会相对较大。
需要说明的是，当两个不同的芯片处于平稳运行状态时，这两个不同芯片的状态参数在数值上的变化差异应相对较小，若由于芯片任务负载出现变动，则对应芯片的任务负载状态会呈现不同的表现变化特征，当芯片由任务满载状态转变为空闲状态时，则该芯片处于任务负载非饱和状态，对于处于非饱和状态下的芯片可以较为及时地处理数据任务；反之，当芯片由空闲状态转变为任务满载状态时，则该芯片处于任务负载饱和状态，对于处于饱和状态下的芯片难以及时地处理数据任务。因此，需要结合不同时刻下芯片任务负载运转繁忙度对芯片当前饱和状态进行计算分析。
具体地，以当前时刻t为起点的时序短片段，向前获取K个连续相邻时序短片段，本发明取经验值K为5，对于每个不同的时序短片段中的数据，对于第i个时序短片段的第t个时刻位置可以获取芯片负载三元向量vcpi,t=(vi,t,fi,t,|Maxbsi-Minbsi|)，其中分别将第i个时序短片段中第t个时刻位置的电压和频率作为芯片负载三元向量的第一维度和第二维度，将第i个时序短片段中芯片任务负载运转繁忙度最大值和最小值的差作为第三维度；
；
式中，Norm[]表示了归一化函数，K表示了连续相邻时序短片段个数，σbsj、σbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的方差，μbsj、μbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的均值，M表示了时序短片段长度，exp[]表示了以自然常数为底的指数函数，Sim()表示了两个芯片的负载三元向量之间的余弦相似性，vcpi,t表示了第i个时序短片段的第t个的时刻处的芯片负载三元向量，vcpi,t+1表示了第i个时序短片段的第t+1个的时刻处的芯片负载三元向量，sati表示了第i个时序短片段的芯片饱和运转系数。
通过上式可以计算得到不同时序短片段芯片饱和运转状态的数值大小，在时序短片段中，若芯片处于任务负载饱和状态下，即在当前时刻下，芯片无法对负载任务及时响应，此时在一个时序短片段中不同时刻的芯片任务负载运转繁忙度数值会相对较大，则在该时序短片段中芯片任务负载运转繁忙度数值的均值应相对较大，同时，若在连续相邻时序短片段中，芯片任务负载状态发生变化，此时不同时序短片段中任务负载运转繁忙度数值差异会相对较大，且同一时序短片段中不同时刻点处芯片负载三元向量的余弦相似性也会较小，此时计算得到的第i个时序短片段的芯片饱和运转系数sati的数值会较大，且数值越大，说明在对应时序短片段的芯片处于任务满载状态的可能性越高。
步骤S003，根据每个不同时刻芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算不同时刻处的芯片任务负载差异概率，根据不同时刻的芯片任务负载差异概率计算不同时刻处的芯片任务负载评价距离；根据不同时刻处的芯片任务负载评价距离计算不同时刻处的芯片任务负载运转繁忙度预测值。
需要说明的是，假设当前时刻下芯片处于任务满载运行状态下，则通过上述步骤计算得到的芯片负载运转繁忙度会相对较大，此时，若保持芯片频率和电压状态不变，则此时处于任务满载运行状态下芯片较难及时对下个时刻的任务负载进行响应处理。因此，需要结合当前时刻之前所有不同时刻位置处两个芯片的任务负载运转繁忙度对下个短时序短片段的芯片任务负载运转状态进一步预测计算。
具体地，如图2所示，假设当前时刻i处芯片任务负载运转繁忙度大小为bsi，由于芯片对任务负载数据进行处理时按照一定的时钟周期变化频率对任务负载数据进行处理，对于下一个短时序片段中不同时刻处的芯片任务负载运转繁忙度在数值上应具有一定的相似性，因此对于第i个时序短片，向前获取K个不同连续相邻短时序片段。
首先对每个的短时序片段中不同时刻位置处芯片任务负载运转繁忙状态进行计算，假设在第i个短时序片段中第j个时刻和第r个时刻位置处的芯片任务负载量化差异dti,jr=|bsi,j-bsi,r|，对于第i个短时序片段中第j个时刻和其他不同时刻位置均可以计算得到相应的任务负载差异，当两个不同时刻位置处芯片任务负载状态差异越明显时，则计算得到的芯片任务负载差异会相对较大。
将第i个短时序片段中与第j个时刻位置处芯片任务负载量化差异相同的时刻点个数记为ndti,j，则可以计算得到第i个短时序片段中第j个时刻处的芯片任务负载差异概率，若当前短时序片段的芯片处于稳定运行状态，则在同一个短时序片段中，芯片任务负载量化差异的数值应较为接近，此时在对应短时序片段中不同时刻位置处计算得到的芯片任务负载差异概率分布应较集中；
；
式中，exp[]表示了以自然常数为底的指数函数，tmi,j表示了第i个短时序片段中第j个时刻位置处的时刻大小，tmq,j表示了第q个短时序片段中第j个时刻位置处的时刻大小，M表示了短时序片段的长度，log2()表示了以数字2为底的对数函数，pdi,j表示了第i个短时序片段中第j个时刻位置处的芯片任务负载差异频率，pdq,j表示了第q个短时序片段中第j个时刻位置处的芯片任务负载差异频率，dist(i,q),j表示了第i个短时序片段和第q个短时序片段在时刻j位置处的芯片任务负载评价距离。
通过上式可以计算得到第i个短时序片段和第q个短时序片段在第j个时刻位置处的芯片任务负载评价距离，在对一个短时序片段中的第j个时刻位置芯片任务负载状态数据进行预测时，时间的距离相对越近的数据点对下一个时序短片段的芯片负载运行状态的影响相对越大，同时，由于芯片处理过程中时钟周期性变化的特点，因此两个不同短时序片段的芯片任务负载差异概率相对越近，计算得到的芯片任务负载评价距离也会相对较大，说明在当前短时序片段中的数据点在对的下个短时序片段任务负载变化情况预测中影响越大。
需要说明的是，在下一个短时序片段的芯片的任务负载变化情况预测过程中，不同短时序片段中不同时刻位置处的芯片任务负载状态应具有较强的关联影响特点，假设第i个短时序片段中第t个时刻位置处共有N个不同的短时序片段，则可以根据移动平均预测算法对下一个短时序片段的芯片任务负载状态进行预测；
；
式中，N表示了当前时刻t位置前所有不同的短时序片段的总个数，exp[]表示了以自然常数为底的指数函数，dist(i,q),t表示了第i个短时序片段和第q个短时序片段在时刻t位置处的芯片任务负载评价距离，bsi,t表示了第i个短时序片段中第t个时刻处的芯片任务负载运转繁忙度，bFsi+1,t表示了第i+1个短时序片段中第t个时刻位置处的芯片任务负载运转繁忙度预测值。
通过上式可以计算得到下个短时序片段i+1中第t个时刻处的芯片任务负载运转繁忙度预测值大小。对于第i+1个短时序片段的第t个时刻处的芯片任务负载运转繁忙度预测值计算过程中，若两个不同的短时序片段计算得到数据点在时刻距离越接近，则对下一个短时序片段中第t个时刻位置处数值芯片任务负载运转繁忙度预测值的影响应相对较大，因此在移动平均算法中对应的权值也会相对较大。
步骤S004，根据不同芯片短时序片段的芯片饱和运转系数和每个不同时刻处的芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级；利用芯片任务负载运转优先级完成对双芯片的自由控制。
需要说明的是，对于两个不同芯片均通过上述步骤获取下一个片段中不同时刻位置处的芯片任务负载运转繁忙预测值，不同时刻位置处芯片任务负载运转繁忙预测值数值越大，说明在当前短时序片段中芯片处于满载运行的可能性越高，因此可以根据不同短时序片段中不同时刻位置处芯片任务负载运转繁忙预测值的情况对双芯片处理任务进行控制；
；
式中，exp()表示了以自然常数为底的指数函数，sata,i，satb,i分别表示了在第i个短时序片段中a芯片和b芯片的饱和运转系数，MbFsa,i+1，MbFsb,i+1分别表示了在第i+1个短时序片段中a芯片和b芯片的任务负载运转繁忙度预测值的均值大小，PRa，PRb分别表示了a芯片和b芯片任务负载运转优先级。
通过上式可以计算得到a芯片和b芯片任务负载运转优先级的数值大小，对于两个不同的芯片a和b，假设在短时序片段i中芯片处于任务满载状态下，则此时计算得到的芯片饱和运转系数的数值也会相对较大，同时在下一个短时序片段i+1中，若芯片处于运转繁忙状态，则计算得到的任务负载运转繁忙度预测值的均值会相对较大，说明在下个短时序片段中仍处于任务满载状态下，无法及时响应处理新的任务负载，因此计算得到的芯片任务负载运转优先级会相对较小。
对于两个不同的芯片a和b可以分别计算得到芯片任务负载运转优先级PRa和PRb，在下个时刻任务负载运转优先级较大的芯片会优先响应负载任务。特别地，若两个芯片计算得到的任务负载运转优先级相同，本发明规定芯片a对负载任务优先响应，根据两个不同芯片的任务负载运转优先级完成对两个不同芯片的控制。
基于与上述方法相同的发明构思，本发明实施例还提供了基于任务负载监控的双芯片自由控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于任务负载监控的双芯片自由控制方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于任务负载监控的双芯片自由控制方法，其特征在于，该方法包括以下步骤：
获取芯片状态参数；
获取预设长度的芯片短时序片段，根据每个芯片短时序片段中芯片状态参数计算每个不同时刻芯片任务负载运转繁忙度；根据每个不同时刻芯片任务负载运转繁忙度计算不同短时序片段的芯片饱和运转系数；
根据每个不同时刻芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算不同时刻处的芯片任务负载差异概率，根据不同时刻的芯片任务负载差异概率计算不同时刻处的芯片任务负载评价距离；根据不同时刻处的芯片任务负载评价距离计算不同时刻处的芯片任务负载运转繁忙度预测值；
根据不同芯片短时序片段的芯片饱和运转系数和每个不同时刻处的芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级；利用芯片任务负载运转优先级完成对双芯片的自由控制。
2.根据权利要求1所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述获取每个时刻芯片状态参数包括：每个不同时刻的芯片频率、温度和电压。
3.根据权利要求2所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据每个芯片短时序片段中芯片状态参数计算每个不同时刻芯片任务负载运转繁忙度的方法为：
将每个不同时刻处的芯片电压与芯片电压均值的差值记为第一差值，将第一差值与芯片电压均值的比值记为第一比值，将芯片短时序片段中不同时刻处第一比值的和记为第一和值，将第一和值与每个不同时刻的芯片频率和温度的乘积记为芯片任务负载运转繁忙度。
4.根据权利要求3所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据每个不同时刻芯片任务负载运转繁忙度计算不同短时序片段的芯片饱和运转系数的数学公式为：
；
式中，Norm[]表示了归一化函数，K表示了连续相邻时序短片段个数，σbsj、σbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的方差，μbsj、μbsi分别表示了第i个和第j个时序短片段中芯片任务负载运转繁忙度的均值，M表示了时序短片段长度，exp[]表示了以自然常数为底的指数函数，Sim()表示了两个芯片的负载三元向量之间的余弦相似性，vcpi,t表示了第i个时序短片段的第t个的时刻处的芯片负载三元向量，vcpi,t+1表示了第i个时序短片段的第t+1个的时刻处的芯片负载三元向量，sati表示了第i个时序短片段的芯片饱和运转系数。
5.根据权利要求4所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述芯片负载三元向量的获取方法为：
将每个不同时刻的芯片电压和频率分别作为芯片负载三元向量的第一维度和第二维度，将芯片短时序片段中芯片任务负载运转繁忙度最大值和最小值的差作为芯片负载三元向量的第三维度。
6.根据权利要求4所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据每个不同时刻芯片任务负载运转繁忙度获取芯片任务负载量化差异并计算不同时刻处的芯片任务负载差异概率的方法为：
将每个芯片短时序片段中不同时刻位置处芯片任务负载运转繁忙度差的绝对值记为芯片任务负载量化差异，将每个芯片短时序片段中芯片任务负载量化差异数值相同的每个数据点个数分别与芯片短时序片段预设长度的比值记为芯片负载差异概率。
7.根据权利要求6所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据不同时刻的芯片任务负载差异概率计算不同时刻处的芯片任务负载评价距离的数学表达式为：
；
式中，exp[]表示了以自然常数为底的指数函数，tmi,j表示了第i个短时序片段中第j个时刻位置处的时刻大小，tmq,j表示了第q个短时序片段中第j个时刻位置处的时刻大小，M表示了短时序片段的长度，log2()表示了以数字2为底的对数函数，pdi,j表示了第i个短时序片段中第j个时刻位置处的芯片任务负载差异频率，pdq,j表示了第q个短时序片段中第j个时刻位置处的芯片任务负载差异频率，dist(i,q),j表示了第i个短时序片段和第q个短时序片段在时刻j位置处的芯片任务负载评价距离。
8.根据权利要求7所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据不同时刻处的芯片任务负载评价距离计算不同时刻处的芯片任务负载运转繁忙度预测值的方法为：
；
式中，N表示了当前时刻t位置前所有不同的短时序片段的总个数，exp[]表示了以自然常数为底的指数函数，dist(i,q),t表示了第i个短时序片段和第q个短时序片段在时刻t位置处的芯片任务负载评价距离，bsi,t表示了第i个短时序片段中第t个时刻处的芯片任务负载运转繁忙度，bFsi+1,t表示了第i+1个短时序片段中第t个时刻位置处的芯片任务负载运转繁忙度预测值。
9.根据权利要求1所述的基于任务负载监控的双芯片自由控制方法，其特征在于，所述根据不同芯片短时序片段的芯片饱和运转系数和每个不同时刻处的芯片任务负载运转繁忙度预测值计算芯片任务负载运转优先级的数学表达式为：
；
式中，exp()表示了以自然常数为底的指数函数，sata,i，satb,i分别表示了在第i个短时序片段中a芯片和b芯片的饱和运转系数，MbFsa,i+1，MbFsb,i+1分别表示了在第i+1个短时序片段中a芯片和b芯片的任务负载运转繁忙度预测值的均值大小，PRa，PRb分别表示了a芯片和b芯片任务负载运转优先级。
10.基于任务负载监控的双芯片自由控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
CN202311629754.9A 2023-12-01 2023-12-01 基于任务负载监控的双芯片自由控制方法及系统 Active CN117331677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311629754.9A CN117331677B (zh) 2023-12-01 2023-12-01 基于任务负载监控的双芯片自由控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311629754.9A CN117331677B (zh) 2023-12-01 2023-12-01 基于任务负载监控的双芯片自由控制方法及系统

Publications (2)

Publication Number Publication Date
CN117331677A true CN117331677A (zh) 2024-01-02
CN117331677B CN117331677B (zh) 2024-02-23

Family

ID=89277766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311629754.9A Active CN117331677B (zh) 2023-12-01 2023-12-01 基于任务负载监控的双芯片自由控制方法及系统

Country Status (1)

Country Link
CN (1) CN117331677B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040048587A1 (en) * 2000-10-19 2004-03-11 Xinxi Diao Apparatus and method for implementing multi-traffic load monitoring and prediction
US20090138682A1 (en) * 2007-11-28 2009-05-28 Capps Jr Louis B Dynamic instruction execution based on transaction priority tagging
CN116302509A (zh) * 2023-02-21 2023-06-23 中船（浙江）海洋科技有限公司 一种基于CNN-Transformer的云服务器动态负载优化方法及装置
CN116737360A (zh) * 2023-04-24 2023-09-12 华南理工大学 面向混合负载的多基准驱动调参服务器能效调优方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040048587A1 (en) * 2000-10-19 2004-03-11 Xinxi Diao Apparatus and method for implementing multi-traffic load monitoring and prediction
US20090138682A1 (en) * 2007-11-28 2009-05-28 Capps Jr Louis B Dynamic instruction execution based on transaction priority tagging
CN116302509A (zh) * 2023-02-21 2023-06-23 中船（浙江）海洋科技有限公司 一种基于CNN-Transformer的云服务器动态负载优化方法及装置
CN116737360A (zh) * 2023-04-24 2023-09-12 华南理工大学 面向混合负载的多基准驱动调参服务器能效调优方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIMPLE SHARMA ET.AL: "A Method for Run-Time Prediction of On-Chip Thermal Conditions in Dynamically Reconfigurable SOPCs", 《INTERNATIONAL JOURNAL OF RECONFIGURABLE COMPUTING》, pages 1 - 20 *
曹子楷: "压接型IGBT 芯片的参数分散性对 其并联时开通均流的影响", 《中 国 电 机 工 程 学 报》, vol. 43, no. 20, pages 8025 - 8037 *

Also Published As

Publication number Publication date
CN117331677B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Tokdar et al. Simultaneous linear quantile regression: a semiparametric Bayesian approach
EP3772022A1 (en) Method for determining quantization parameters in neural network and related products
McNames A nearest trajectory strategy for time series prediction
US20050086029A1 (en) Mechanism for on-line prediction of future performance measurements in a computer system
Rodrigues et al. Helping HPC users specify job memory requirements via machine learning
CN115933787A (zh) 基于室内环境监测的室内多末端智能控制系统
Tokdar et al. Simultaneous linear quantile regression: A semiparametric bayesian approach
CN112907064B (zh) 基于自适应窗的电量预测方法、装置、存储介质及终端
CN112784961A (zh) 超网络的训练方法、装置、电子设备和存储介质
CN117331677B (zh) 基于任务负载监控的双芯片自由控制方法及系统
CN111552553B (zh) 一种基于模拟退火的多任务快速调度方法
CN105809203A (zh) 一种基于层次聚类的系统稳态检测算法
CN112835884B (zh) 一种海洋渔场渔情预报系统中的缺失数据填补方法及系统
CN108984851B (zh) 一种带时延估计的加权高斯模型软测量建模方法
CN110887652B (zh) 加速度计的振动探测与位移提取的交互多模型检测方法
US20230316094A1 (en) Systems and methods for heuristic algorithms with variable effort parameters
Qiao Estimating the number of sinusoids in additive sub-gaussian noise with finite measurements
CN115858306A (zh) 一种基于事件流的微服务监控方法、终端设备及存储介质
Ge et al. Segmental semi-Markov models for change-point detection with applications to semiconductor manufacturing
CN113722108A (zh) 基于应用运行负载数据预测的容器资源弹性预伸缩方法
US11562248B2 (en) Data sparsity monitoring during neural network training
Ozceylan et al. Improving temperature prediction accuracy using Kalman and particle filtering methods
CN117331705B (zh) 一种基于大数据的数据预测分析方法及系统
Ferguson et al. Evaluation of a PMML-based GPR scoring engine on a cloud platform and microcomputer board for smart manufacturing
CN116757337B (zh) 一种基于人工智能的房建施工进度预测系统

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
GR01 Patent grant
GR01 Patent grant