عنوان پایان‌نامه
بهبود روش های کاوش فضای طراحی سیستم های چند پردازنده بر روی تراشه با استفاده از کاهش فضای طراحی
- رشته تحصیلی
- مهندسی کامپیوتر-معماری کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: E 2171;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56161
- تاریخ دفاع
- ۰۶ اسفند ۱۳۹۰
- دانشجو
- علی کوخازاده
- استاد راهنما
- سیدامید فاطمی
- چکیده
- در دهه اخیر، سیستم‌های چندپردازنده روی تراشه به عنوان دسته‌ی مهمی از مدارهای مجتمع خیلی فشرده، رشد چشمگیری داشته‌اند. یکی از مراحل اصلی در طراحی این سیستم‌ها کاوش فضای طراحی می‌باشد که طی آن، از بین تمام پیکربندی‌های ممکن یک سیستم - با توجه به یک یا چند معیار بهینگی به نام تابع هدف- یک یا تعدادی پیکربندی بهینه پیدا می‌شود. تعداد بسیار زیاد پیکربندی‌ها در اغلب مسائل و همچنین فرآیند کند و زمانبر ارزیابی هر یک از پیکربندی‌های ممکن، موجب می‌شود که انجام یک کاوش مناسب و کارا بر روی تمام پیکربندی‌های سیستم، بسیار پیچیده و در بیشتر موارد غیرعملی باشد. یکی از راه‌های مرسوم برای غلبه بر این مشکل، کاهش یا هرس کردن فضای طراحی است که طی آن مجموعه‌ی تمام پیکربندی‌های فضای طراحی موجود به یک زیرمجموعه محدود می‌شود به گونه‌ای که هم به راحتی قابل کاوش باشد و هم اینکه مجموعه‌ی قابل قبولی از پیکربندی‌های بهینه یا حداقل تقریب مناسبی از آنها را شامل شود. یکی از روش‌های متداول برای کاهش فضای طراحی که تقریباً با تمام الگوریتم‌های کاوش فضای طراحی مورد استفاده قرار می‌گیرد، نمونه‌برداری فضای طراحی می‌باشد که طی آن هر نقطه از فضای طراحی به عنوان نماینده‌ی یک مجموعه از نقاط نمونه‌برداری می‌گردد. دو روش موجود برای نمونه‌برداری فضای طراحی عبارتند از نمونه‌برداری تصادفی و نمونه‌برداری منظم. این روش‌ها با توجه به نگاه بیطرفانه به فضای طراحی، نواحی بااهمیت و کم‌اهمیت فضای طراحی را بصورت یکنواخت و با دقت یکسان نمونه‌برداری می‌کنند و همین مسأله باعث می‌شود در آن دسته از نواحی که تاثیر پارامترهای ورودی بر روی توابع هدف ناچیز است، نقاط زیادی نمونه‌برداری شده و برعکس در نواحی که تاثیر پارامترهای ورودی بر روی خروجی بسیار زیاد است، نقاط کمتری نمونه‌برداری شوند. در این پایان‌نامه، یک روش جدید برای نمونه‌برداری فضای طراحی ارائه می‌شود که نمونه‌برداری پارامترهای طراحی را، با توجه به میزان تاثیر آنها بر روی توابع هدف، بصورت وزن‌دار انجام می‌دهد. به عبارت دیگر، در آن دسته از نواحی که تاثیر پارامتر بر روی توابع هدف زیاد است، نمونه‌برداری با دقت بالا و در جاهایی که تاثیر پارامتر بر روی تمام توابع هدف ناچیز است، نمونه‌برداری با دقت پایین صورت می‌گیرد. انجام شبیه‌سازی‌ها بر روی دو مطالعه‌ی موردی نشان می‌دهد که روش پیشنهادی از لحاظ دقت، یکنواختی و پراکندگی نقاط بهینه‌ی حاصل از نمونه‌برداری، نسبت به دو روش موجود عملکرد بهتری دارد.
- Abstract
- Recently, there has been a significant growth in multiprocessor system on chip (MPSoC) technology as a major class of very large scale integrated systems. One of the most important steps in design of MPSoCs is Design Space Exploration process in which one or more optimal configurations are found among all possible configurations of the design–based on one or more optimality measures named objective functions. The huge number of possible configurations along with the time-intensive process of evaluating each design configuration causes the exploration of all possible configurations to be complicated or infeasible in almost all situations. One of the most common ways to overcome this problem is Design Space Pruning in which the set of all possible configurations (i.e. design space) is trimmed down to a small subset such that it can be explored efficiently without any significant loss of important design configurations. A common method of design space pruning which is used with almost all design space exploration algorithms is design space sub-sampling in which each configuration within the pruned space is sampled and evaluated instead of a set of design configurations. Two existing methods of design space sub-sampling are random and regular sub-sampling. Due to unbiased view of the design space, both these methods subsample the less important and more important regions of the design space uniformly with the same precision. As a result, in the regions where the effect of design parameters on objective functions is negligible more design points are sampled than required whereas less design points are sampled where the effect of design parameters on objective functions is significant. In this thesis, we propose a new method for design space sub-sampling that operates based on weighted sub-sampling of design parameters with respect to their effects on objective functions. In the proposed method, the sub-sampling accuracy of each design parameter is increased where the effect of that parameter on objective functions is high whereas the sub-sampling is performed with low accuracy where the effect of the design parameter on all objective functions is negligible. Running simulations on two different case studies show that the proposed method outperforms conventional regular and random methods of sub-sampling in terms of accuracy, uniformity, and extent of resulting optimal solutions of pruned spaces.
