KR102123178B1 - 기계학습 알고리즘 기반 cpu 온도 예측 방법 및 장치 - Google Patents

Abstract

본 발명은 기계학습 알고리즘 기반 CPU 온도 예측 방법 및 장치를 개시한다. 본 발명에 따르면, 기계학습 알고리즘을 이용하여 서버 및 데이터 센터의 프로세서의 발열 문제를 해결하기 위한 CPU 온도 예측 장치로서, 프로세서 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 상기 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 학습된 온도 예측 모델을 생성하고, 학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하고, 상기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장한다.

Description

기계학습 알고리즘 기반 CPU 온도 예측 방법 및 장치{Machine learning based CPU temperature prediction method and apparatus}

본 발명은 기계학습 알고리즘 기반 CPU 온도 예측 방법 및 장치에 관한 것이다.

최근 반도체 집적 공정 기술의 비약적인 발전으로 크기가 작은 반도체 소자를 개발할 수 있게 되었고, 이에 따라 같은 크기의 CPU에 더 많은 반도체 소자를 집적하는 것이 가능해졌다. 하지만, 많은 소자가 집적될수록 단위 면적 당 전력 소모(Power Density)가 급격하게 증가하며, 이는 CPU 온도 상승으로 이어진다.

높은 온도는 CPU의 일시적인 기능 결함이나 하드웨어의 영구적인 손상 문제를 야기하여 시스템의 가용성에 큰 영향을 미친다.

또한, 컴포넌트들의 정적 전력 소모를 증가시켜 CPU 에너지 소모를 비약적으로 증가시킨다. 많은 에너지 소모를 초래하는 발열을 감소시키기 위하여, CPU 동작 속도를 줄여야 하고, 이는 CPU에서 동작하는 어플리케이션들의 성능이 저하되는 문제로 이어진다. 현대 컴퓨터 시스템에서 하드웨어의 일시적/영구적 손상과 CPU 내 어플리케이션의 성능 저하를 초래하는 높은 발열 현상을 관리하기 위해서는 CPU 온도를 정확하게 감지하는 것이 매우 중요하다.

높은 발열 현상으로 인한 문제들을 방지하기 위해서 현대 컴퓨터 시스템에서는 여러 발열 관리 기술들이 제안되어왔다. 발열 관리 기술들은 일반적으로 온도 감지기(Thermal Sensor)로부터 측정한 온도를 기반으로 CPU의 동작 속도를 조절한다. 하지만, 온도 감지기로부터 측정된 CPU 온도를 기반으로 발열 관리를 하는 것보다, 미래의 CPU 온도를 예측하여 발열 관리를 하는 것이 CPU 내 어플리케이션의 성능 저하를 방지하면서 온도를 일정 수준 이하로 조절하는데 효과적이다.

예를 들면, 성능 계수기 (Performance Counter)로부터 읽어 들인 CPU 사용률 (CPU utilization), IPC (Instruction Per Cycle) 등의 CPU 성능 지표를 통해서 CPU 온도를 예측한다면 보다 효과적으로 발열을 관리할 수 있다.

하지만, 기존의 온도 예측 기술은 다음과 같은 다양한 환경적 요인이 CPU 온도에 크게 영향을 미친다는 사실을 고려하지 않았다.

KR 공개특허 10-2013-0109788

상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 다양한 환경적 요인을 종합적으로 고려하여 CPU 온도를 정확히 예측할 수 있는 방법 및 장치를 제안하고자 한다.

상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 기계학습 알고리즘을 이용하여 서버 및 데이터 센터의 프로세서의 발열 문제를 해결하기 위한 CPU 온도 예측 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 상기 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 온도 예측 모델을 학습하고, 학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하고, 상기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 CPU 온도 예측 장치가 제공된다.

상기 CPU 코어의 상태는 CPU의 전압, 주파수, 사용률, 현재 온도와, on된 코어의 수, 내부 컴포넌트의 사용률 중 적어도 하나를 포함할 수 있다.

상기 CPU 코어의 상태에 상응하는 복수의 입력 값들은 상기 CPU의 현재 온도에 따라 서로 다른 가중치가 부여될 수 있다.

상기 내부 컴포넌트의 사용률에 상응하는 입력 값은 IPC(Instruction Per Clock) 및 캐시 미스의 수에 상응하는 입력 값을 포함할 수 있다.

상기 CPU의 현재 온도가 미리 설정된 온도보다 낮은 경우에는 상기 CPU의 전압, 주파수, 사용률 및 on된 코어의 수에 상응하는 제1 입력 값이 상기 내부 컴포넌트의 사용률에 상응하는 제2 입력 값보다 높은 가중치가 부여될 수 있다.

상기 미리 설정된 온도는 50 내지 70℃의 범위 중 하나로 결정될 수 있다.

본 발명의 다른 측면에 따르면, 기계학습 알고리즘을 이용하여 서버 및 데이터 센터의 프로세서의 발열 문제를 해결하기 위한 CPU 온도 예측 방법으로서, 상기 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 학습된 온도 예측 모델을 생성하는 단계; 학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하는 단계; 및 기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하는 단계를 포함하는 CPU 온도 예측 방법이 제공된다.

본 발명에 따르면, 기계학습 알고리즘을 이용하여 구축된 온도 예측 모델에 CPU 코어 상태뿐만 아니라 외부 온도와 같은 다양한 환경 요인에 대한 입력 값을 입력하여 CPU 온도를 정확히 예측할 수 있다.

또한, 현재 CPU 온도 범위에 따라 입력 값들에 대해 서로 다른 가중치를 부여함으로써 CPU 온도 예측 정확도를 높일 수 있는 장점이 있다.

도 1은 본 발명의 바람직한 일 실시예에 따른 기계학습 알고리즘을 이용한 CPU 온도 예측 과정을 도시한 도면이다.
도 2는 본 실시예에 따른 기계학습 알고리즘을 CPU 온도 예측 기술에 적용할 때의 노드 연산 예시를 도시한 도면이다.
도 3은 CPU 내부 컴포턴트 사용률과 온도를 나타낸 것이다.
도 4는 본 발명의 바람직한 일 실시예에 따른 CPU 온도 예측 장치의 구성을 도시한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명은, CPU 코어들의 전력 상태나 사용률, 어플리케이션이 동작하는 코어들의 위치, 쿨러의 위치 및 종류, 케이스의 종류, 외부 온도 등 다양한 환경 요인을 종합적으로 고려하여 정확하게 CPU 온도를 예측한다.

이를 위해, 기계학습 알고리즘 중 하나인 DNN (Deep Neural Network)을 사용하여 다양한 환경 요인 (예를 들어, CPU 코어의 상태(CPU 코어의 사용률, CPI 등)나 사용률, 쿨러의 위치 및 종류 등)과 CPU 온도 사이의 관계를 학습하여 온도 예측 모델을 정립한다. 이후, DNN 기반 온도 예측 모델을 활용하여, 다양한 환경 요인으로부터 CPU 온도를 보다 정확하게 예측하고자 한다.

도 1은 본 발명의 바람직한 일 실시예에 따른 기계학습 알고리즘을 이용한 CPU 온도 예측 과정을 도시한 도면이다.

도 1을 참조하면, 기계학습 알고리즘인 DNN (Deep Neural Network)을 기반으로 CPU 코어의 상태, 쿨러의 위치 및 종류, 케이스의 종류 및 외부 온도를 고려하여 CPU 온도를 예측한다. 고려하는 환경 요인이 입력 값 (Input)으로 들어오면 DNN 내부의 노드들 각각의 가중치와 계산되어, 최종적으로 예측된 CPU 온도를 결과값 (Output)으로 계산한다. 만약 예측된 CPU 온도가 실제 CPU 온도와 같지 않을 경우, 역전파 (Back Propagation) 알고리즘을 통해 노드들의 가중치를 수정한다.

다양한 환경 요인과 실제 CPU 온도를 바탕으로, 역전파 알고리즘을 통해 반복적으로 노드들의 가중치를 수정하여 온도 예측 모델을 학습한다. 이후, 충분히 학습된 온도 예측 모델에 특정 환경 요인을 입력 값으로 넣으면 보다 정확하게 예측된 CPU 온도를 결과 값으로 얻는다.

표 1은 본 발명의 일 실시예에 따른 DNN (Deep Neural Network)와 같은 기계학습 알고리즘 사용 시 온도 예측 모델을 학습할 때와 추론할 때 사용하는 입력 값 (Input)을 나타낸 것이다.

특성(Feature)	입력 값(Input)
CPU 코어의 상태	1. CPU 전압 2. CPU 주파수 3. CPU 사용률 4. 켜져 있는 코어의 수 5. IPC (Instruction Per Cycle) 6. LLC (Last Level Cache) miss의 수 7. 현재 온도
쿨러의 위치	CPU와 쿨러 사이의 거리(cm)
쿨러의 종류	쿨러의 분당 회전수의 역수
케이스의 종류	재질이 열을 배출하는 정도에 따라서 1~10 사이의 값 입력 (열을 제일 잘 배출할 경우 10, 제일 못 배출할 경우를 1로 설정)
외부 온도	실측한 외부 온도

성능 계수기 (Performance Counter)로부터 읽은 CPU 코어의 사용량, IPC와 같은 CPU 성능 지표가 높을수록 CPU의 온도가 높아지므로 CPU 성능 지표가 가장 낮을 경우를 1로, 가장 높을 경우를 10으로 설정하여 사이의 값을 일반화하여 입력 값으로 설정한다.

CPU와 쿨러의 거리가 멀수록 CPU 온도가 높아지므로 CPU와 쿨러 사이의 거리를 입력 값으로 설정한다.

쿨러의 분당 회전수 (RPM, Revolution per minute)가 높을수록 CPU 온도가 낮아지므로 쿨러의 분당 회전수의 역수 값을 입력 값으로 설정한다.

케이스의 재질이 열을 잘 배출할수록 온도가 낮아지므로 재질이 열을 가장 못 배출할 경우를 1로, 가장 잘 배출할 경우를 10으로 설정하여 사이의 값을 일반화하여 입력 값으로 설정한다. 외부 온도가 높을수록 CPU 온도가 비례하여 높아지므로 외부 온도를 입력 값으로 설정한다.

도 2는 본 실시예에 따른 기계학습 알고리즘을 CPU 온도 예측 기술에 적용할 때의 노드 연산 예시를 도시한 도면이다.

도 2를 참조하면, 노드의 값과 가중치 매트릭스 (Weight Matrix)에 저장되어 있는 값을 곱하여 다음 레이어 (Layer)의 노드로 전달하고, 다음 레이어의 노드에서는 들어온 값들을 더하여 노드 값을 결정한다. 이 과정을 모든 레이어와 노드에서 반복 시행하여, 최종 레이어 (Output Layer)에서 CPU 온도를 결과 값 (Output)으로 계산하게 된다. 여기서, 만약 특정 환경일 때의 실제 CPU 온도 값과 최종적으로 계산된 CPU 온도 값이 같지 않을 경우에는, 역전파 (Back Propagation) 알고리즘을 통해서 노드들의 가중치를 수정한다.

본 실시예는 위와 같은 역전파 알고리즘을 통해서 다양한 환경적 요인 입력 값들에 대하여 반복적으로 노드들의 가중치를 수정하는 방법으로 온도 예측 모델을 학습한다. 학습이 충분히 반복될수록, 또 환경적 요인이 다양할수록 보다 정확하게 CPU 온도를 예측하는 모델이 정립될 것이다.

본 발명의 바람직한 일 실시예에 따르면, CPU 상태는 CPU 전압, 주파수, 사용률, 온된 코어의 수 및 내부 컴포넌트의 사용률 중 하나를 포함할 수 있다.

본 실시예에 따르면, CPU 온도 구간에 따라 CPU 온도에 영향을 미치는 요인이 달라지는 점을 확인하여 온도 예측 모델 입력 값에 서로 다른 가중치를 부여한다.

예를 들어, CPU 온도가 미리 설정된 온도(예를 들어, 60℃)보다 낮은 경우에는 CPU 전력 소모가 증가함에 따라 CPU 온도도 지속적으로 증가한다. 따라서 현재 CPU 온도가 미리 설정된 온도보다 낮은 경우에는 CPU 전력 소모에 영향을 주는 CPU 전압, 주파수, 사용률, 온된 코어의 수에 상응하는 제1 입력 값이 내부 컴포넌트의 사용률에 상응하는 제2 입력 값보다 높은 가중치가 부여된다.

아래 수식에서와 같이, CPU의 전력 소모는 CPU 전압, 주파수, 사용률, 온된 코어의 수에 비례하므로 제1 입력 값에 높은 가중치를 부여한다.

수학식 1은 CPU 동적 전력 소모 관계식이고, A는 CPU utilization에 비례한다.

수학식 2는 CPU 정적 전력 소모 관계식이고, I는 온된 core의 수에 비례한다.

반대로 CPU 온도가 미리 설정된 온도보다 높아지는 경우에는 온도가 일정 수준으로 포화상태가 되고(saturation), 포화상태가 되는 온도 값은 어플리케이션의 CPU 내부 컴포넌트의 사용률에 따라 달라진다.

따라서, CPU 온도가 미리 설정된 온도보다 높은 경우에는 제1 입력 값에 비해 내부 컴포넌트의 사용률에 상응하는 제2 입력 값에 더 높은 가중치를 부여한다.

CPU 내부 컴포넌트의 사용률은 IPC(Instruction Per Clock) 및 캐시 미스의 수(L3 miss) 등의 값으로 유추 가능하다.

도 3은 CPU 내부 컴포턴트 사용률과 온도를 나타낸 것이다.

도 3에 도시된 바와 같이, CPU 내부 컴포넌트 중 계산에 필요한 컴포넌트들의 사용률이 높은 경우, IPC 값이 높으며, 이 경우 온도가 상대적으로 높아진다.

반면, CPU 내부 컴포넌트 중 메모리 접근에 필요한 컴포넌트들의 사용률이 높은 경우, 캐시 미스의 수에 해당하는 값이 높으며, 이 경우 온도가 상대적으로 낮아진다.

상기에서는 CPU 코어의 상태에 포함된 입력 값들에 가중치를 부여하는 기준 온도가 60℃인 것으로 설명하였으나, 바람직하게 기준 온도는 50 내지 70℃ 범위 중 하나로 결정될 수 있다.

도 4는 본 발명의 바람직한 일 실시예에 따른 CPU 온도 예측 장치의 구성을 도시한 도면이다.

프로세서(400)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.

메모리(402)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(402)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.

이와 같은 메모리(402)에는 프로세서(400)에 의해 실행 가능한 프로그램 명령어들이 저장된다.

본 발명의 바람직한 일 실시예에 따른 메모리(402)에는 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 학습된 온도 예측 모델을 생성하고, 학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하고, 상기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하도록, 프로세서(400)에 의해 실행 가능한 프로그램 명령어들이 저장된다.

전술한 바와 같이, 온도 예측 모델은 기계학습 알고리즘 중 하나인 DNN (Deep Neural Network)를 사용하여 다양한 환경적 요인 (e.g., CPU 코어들의 전력 상태나 사용률, 쿨러의 위치 및 종류 등)과 CPU 온도 사이의 관계를 통해 생성될 수 있다.

여기서, CPU 코어의 상태는 CPU 전압, 주파수, 사용률, 현재 온도와 on된 코어의 수, 내부 컴포넌트 사용률을 포함할 수 있다.

CPU 코어의 상태에 상응하는 복수의 입력 값들은 CPU의 현재 온도에 따라 서로 다른 가중치가 부여될 수 있고, CPU의 현재 온도가 미리 설정된 온도보다 낮은 경우에는 CPU의 전압, 주파수, 사용률 및 on된 코어의 수에 상응하는 제1 입력 값이 내부 컴포넌트의 사용률에 상응하는 제2 입력 값보다 높은 가중치가 부여될 수 있다.

여기서, 내부 컴포넌트의 사용률에 상응하는 입력 값은 IPC(Instruction Per Clock) 및 캐시 미스의 수에 상응하는 입력 값을 포함할 수 있다.

상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (7)

1. 기계학습 알고리즘을 이용하여 서버 및 데이터 센터의 프로세서의 발열 문제를 해결하기 위한 CPU 온도 예측 장치로서,
   프로세서; 및
   상기 프로세서에 연결되는 메모리를 포함하되,
   상기 메모리는,
   상기 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 학습된 온도 예측 모델을 생성하고,
   학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하고,
   상기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하도록,
   상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하되,
   상기 CPU 코어의 상태는 CPU의 전압, 주파수, 사용률, 현재 온도와, on된 코어의 수, 내부 컴포넌트의 사용률 중 적어도 하나를 포함하며,
   상기 CPU 코어의 상태에 상응하는 복수의 입력 값들은 상기 CPU의 현재 온도에 따라 서로 다른 가중치가 부여되는 CPU 온도 예측 장치.
2. 삭제
3. 삭제
4. 제1항에 있어서,
   상기 내부 컴포넌트의 사용률에 상응하는 입력 값은 IPC(Instruction Per Clock) 및 캐시 미스의 수에 상응하는 입력 값을 포함하는 CPU 온도 예측 장치.
5. 제1항에 있어서,
   상기 CPU의 현재 온도가 미리 설정된 온도보다 낮은 경우에는 상기 CPU의 전압, 주파수, 사용률 및 on된 코어의 수에 상응하는 제1 입력 값이 상기 내부 컴포넌트의 사용률에 상응하는 제2 입력 값보다 높은 가중치가 부여되는 CPU 온도 예측 장치.
6. 제5항에 있어서,
   상기 미리 설정된 온도는 50 내지 70℃의 범위 중 하나로 결정되는 CPU 온도 예측 장치.
7. 기계학습 알고리즘을 이용하여 서버 및 데이터 센터의 프로세서의 발열 문제를 해결하기 위한 CPU 온도 예측 방법으로서,
   상기 서버 및 데이터 센터의 CPU 코어의 상태와, 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나를 포함하는 환경 요인을 고려하여 학습된 온도 예측 모델을 생성하는 단계;
   학습이 완료된 온도 예측 모델에 현재의 CPU 코어의 상태 및 쿨러의 위치, 쿨러의 종류, 케이스의 종류 및 외부 온도 중 적어도 하나에 따른 입력 값을 결정하는 단계; 및
   상기 결정된 입력 값에 의해 상기 온도 예측 모델에서 출력하는 CPU 온도 예측 결과값을 이용하여 상기 서버 및 데이터 센터의 발열을 제어하는 단계를 포함하되,
   상기 CPU 코어의 상태는 CPU의 전압, 주파수, 사용률, 현재 온도와, on된 코어의 수, 내부 컴포넌트의 사용률 중 적어도 하나를 포함하며,
   상기 CPU 코어의 상태에 상응하는 복수의 입력 값들은 상기 CPU의 현재 온도에 따라 서로 다른 가중치가 부여되는 CPU 온도 예측 방법.
   

Images