عنوان پایاننامه
کاهش مصرف توان در پردازنده های گرافیکی
- رشته تحصیلی
- مهندسی کامپیوتر-معماری کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3106;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79002;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3106;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79002
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۴
- دانشجو
- سهراب سجادی منش
- استاد راهنما
- سعید صفری
- چکیده
- از زمان ارائه پردازنده گرافیکی (GPU) همواره محققان به دنبال آن بودند که از این پردازنده قدرتمند برای کارهای محاسباتی در کنار کارهای گرافیکی استفاده کنند. با ظهور چارچوب برنامهنویسی CUDA توسط شرکت انویدیا امروزه استفاده از پردازندههای گرافیکی همهمنظوره در کارهای غیرگرافیکی همچون محاسبات مالی، پردازش تصویر، هوافضا و غیره رشد یافته است. اما با وجود کارایی بالاتر، این پردازندهها از مشکل توان مصرفی بالا رنج میبرند. از این رو در این پژوهش یک مدل برای تخمین توان بر پایه تحلیل آماری رگرسیونی، بر اساس کارایی پردازنده در زمان اجرای برنامهها ارائه میشود. سپس بر مبنای این مدل، روش مقیاس پویای ولتاژ و فرکانس پیادهسازی میشود. هدف از این پژوهش ارائه یک مدل دقیق برای تخمین توان زمان اجرای برنامه در پردازندههای گرافیکی همهمنظوره است تا بر مبنای این مدل بتوان با دانستن کارایی و توان پردازنده، برای زمانهای آتی اجرای برنامه، فرکانس و ولتاژ پردازنده را مقیاس نمود. مدل ارائه شده در این پژوهش از دقت بالایی برخوردار است و بیشترین میزان خطای آن 7 درصد است و میتوان آنرا برای بسیاری از برنامههای همهمنظوره محاسباتی و یا درگیر با حافظه به کار برد. همچنین جامعیت مدل به دلیل اجرای برنامههای از سه دسته حافظهای، محاسباتی و خنثی، تحت پیکربندیهای مختلف پردازندههای شرکت انویدیا تأمین شده است. سربار این روش در مقایسه با روشهای مشابه از لحاظ نرمافزاری و سختافزاری ناچیز است. با مقیاس پویای ولتاژ و فرکانس پردازنده و حافظه در زمان اجرای برنامه بر پایه مدل بهدست آمده کاهش فرکانس حافظه برای برنامههای محاسباتی 10 درصد و کاهش فرکانس هسته برای برنامههای حافظهای 40 درصد بهبود توان را به دنبال دارد. این نتایج کارایی مدل را در کاهش توان به روش مقیاس پویای ولتاژ و فرکانس نشان میدهد.
- Abstract
- Since the emersion of the Graphic Processor Units (GPUs) researchers sought to use this powerful processor for computation alongside the graphical use. Nowadays, With the advent of programming framework like CUDA, developed by NVIDIA, the use of General-Purpose GPU (GP-GPU) is developed for non-graphical works such as financial applications, image processing, and aerospace. Despite higher performance, the GPU is suffering from the excessive power consumption. In this study, a DVFS mechanism is proposed based on the model which is provided to estimate power based on statistical regression analysis and processor runtime execution. The main goal of this study is to provide an accurate model to predict power at runtime for general-purpose GPUs. The proposed model can predict the power of the GPU, and scale's frequency and voltage of the GPU, accordingly. We reached an acceptable accuracy for either memory- or compute-intensive applications at the maximum error rate of 7% with negligible hardware and software overhead. We evaluated our model for different types of applications, including memory-intensive, compute-intensive, and neutral. By applying DVFS to the memory at runtime, power consumptions of compute-intensive applications are improved10%. On the other hand, applying DVFS to the computational units, for memory-intensive applications, culminates in 40% enhancement in the power consumption of the GPU. These results show the efficiency of the model in power reduction as dynamic voltage and frequency scaling method. Keywords: general-purpose Graphics Processor Unit, Dynamic voltage and frequency scaling, statistical regression, Power Consumption Model.