基于机器学习的异构多核系统在线映射方法研究
发布时间：2021-01-27 19:49
随着科技的进步和时代的发展,嵌入式系统几乎应用在我们生活中的各个方法,如家用电子产品、通信、汽车和航空电子设备等。从这些应用中,我们可以观察到嵌入式系统发展的新趋势:第一,功能多样化;第二,低功耗和高性能;第三,自适应性。为了满足上述的需求,传统的单核处理器由于受到功率密度的限制,通过提高处理器的时钟频率已经很难满足这些需求,异构多核处理器（Heterogeneous Multi-Processes,HPMs）成为现代嵌入式系统的主流解决方案。对于异构多核处理器来说,如何充分利用它的并行性来提高系统的性能并降低功耗,需要解决的一个重要问题是任务的动态映射（或调度）问题。而动态映射问题的关键是要能够对系统的资源分配和调度方案进行性能等方面的评估,传统的性能评估方法有建立成本模型和仿真模拟两种方法,但是受到准确性以及高效性等方面的制约,不能得到广泛的使用。针对如何创建一种既能提高性能评估准确性,又能提高效率的方法,基于机器学习的方法能够自动的学习和分析系统行为并产生相应设计的解决方案,这无疑可以很大程度上减少设计人员的负担。本文分析了当前异构多核系统的发展趋势以及面临的问题,重点围绕异构多...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
嵌入式产品：索尼PS4游戏机和iPhoneFig1.1Embeddedproducts:SONYPS4gameconsoleandiPhone
图 3.6 AdaBoost 算法伪代码Fig 3.6 AdaBoost algorithm pseudo code现假设给定训练样本集如图 3.7 左侧所示的一个弱学习算法或基学习算法，其中符号+和-分别表示两种不同类别的实例。AdaBoost 算法的实现算法如下，首先将基学习算法根据训练样本集 D 得到第一个基分类器 h1，它的工作机制是先从初始训练集训练一个基学习器，再根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本在后续收到更多的关注，然后基于调整后的样本分布来训练下一个基学习器，如此重复进行，直至基学习器数目达到事先指定的值最终将这些基学习器进行加权结合，得到如图 3.7 右侧所示的分类图。
图 4.5 ANN 预测模型的趋势预测对应比例 4.5 The corresponding proportion of trend prediction of ANN m态调度方法效果验证文动态调度方案的效果，我们通过随机生成一个固定，例如某个运行核由于负载过高或故障等原因不可用，来进行实验。考虑到采用遗传算法不同参数对算法的评估不同参数的效果和开销，然后将本文得到的在线见的轮询调度（RoundRobinScheduler，RRS）[71]、抽获得的最优化方法进行对比试验。评估实验法，我们需要考虑如下参数：1）种群规模（populati；2）迭代（iteration）：种群交叉变异迭代的次数；3）基特征；4）交叉概率（P_cross）：在循环中进行交叉操作
【参考文献】：
期刊论文
[1]基于SVM的CPU-GPU异构系统任务分配模型[J]. 王彦华,乔建忠,林树宽,赵廷磊. 东北大学学报(自然科学版). 2016(08)
[2]基于神经网络的多核功耗预测策略[J]. 袁景凌,缪旭阳,杨敏龙,向尧. 计算机科学. 2014(S1)
硕士论文
[1]DVS节能技术与EDF调度结合的节能算法[D]. 钱杰.浙江大学 2007
本文编号：3003629
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
嵌入式产品：索尼PS4游戏机和iPhoneFig1.1Embeddedproducts:SONYPS4gameconsoleandiPhone
图 3.6 AdaBoost 算法伪代码Fig 3.6 AdaBoost algorithm pseudo code现假设给定训练样本集如图 3.7 左侧所示的一个弱学习算法或基学习算法，其中符号+和-分别表示两种不同类别的实例。AdaBoost 算法的实现算法如下，首先将基学习算法根据训练样本集 D 得到第一个基分类器 h1，它的工作机制是先从初始训练集训练一个基学习器，再根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本在后续收到更多的关注，然后基于调整后的样本分布来训练下一个基学习器，如此重复进行，直至基学习器数目达到事先指定的值最终将这些基学习器进行加权结合，得到如图 3.7 右侧所示的分类图。
图 4.5 ANN 预测模型的趋势预测对应比例 4.5 The corresponding proportion of trend prediction of ANN m态调度方法效果验证文动态调度方案的效果，我们通过随机生成一个固定，例如某个运行核由于负载过高或故障等原因不可用，来进行实验。考虑到采用遗传算法不同参数对算法的评估不同参数的效果和开销，然后将本文得到的在线见的轮询调度（RoundRobinScheduler，RRS）[71]、抽获得的最优化方法进行对比试验。评估实验法，我们需要考虑如下参数：1）种群规模（populati；2）迭代（iteration）：种群交叉变异迭代的次数；3）基特征；4）交叉概率（P_cross）：在循环中进行交叉操作
【参考文献】：
期刊论文
[1]基于SVM的CPU-GPU异构系统任务分配模型[J]. 王彦华,乔建忠,林树宽,赵廷磊. 东北大学学报(自然科学版). 2016(08)
[2]基于神经网络的多核功耗预测策略[J]. 袁景凌,缪旭阳,杨敏龙,向尧. 计算机科学. 2014(S1)
硕士论文
[1]DVS节能技术与EDF调度结合的节能算法[D]. 钱杰.浙江大学 2007
本文编号：3003629
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3003629.html
