GPU內(nèi)置傳感器的功耗數(shù)據(jù)矯正方法研究

李君科，郭 兵，沈 艷，李德光，黃彥輝，戚正偉

?

GPU內(nèi)置傳感器的功耗數(shù)據(jù)矯正方法研究

李君科1，郭 兵1，沈 艷2，李德光1，黃彥輝1，戚正偉3

(1. 四川大學(xué)計(jì)算機(jī)學(xué)院 成都 610065； 2. 成都信息工程大學(xué)控制工程學(xué)院 成都 610225；3. 上海交通大學(xué)軟件學(xué)院 上海 閔行區(qū) 200030)

功耗數(shù)據(jù)采集是綠色計(jì)算的前提，也是軟件能耗測(cè)量的基礎(chǔ)工作。在功耗數(shù)據(jù)采集中，通常內(nèi)置功率傳感器采集軟件能耗面臨功率遲滯、程序能耗受啟動(dòng)時(shí)間影響等問(wèn)題，產(chǎn)生的原因在于內(nèi)置傳感器的硬件構(gòu)成及其使用的功耗算法。該文針對(duì)內(nèi)置傳感器的功耗算法問(wèn)題，提出了一種基于逼近函數(shù)的功率數(shù)據(jù)矯正方法。該方法根據(jù)程序運(yùn)行時(shí)間長(zhǎng)短，分別采用數(shù)據(jù)擬合方法和基于誤差方向的逼近函數(shù)進(jìn)行矯正。最后，在代表性的K20系列GPU實(shí)驗(yàn)平臺(tái)上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該方法能較好地解決傳感器采集功耗數(shù)據(jù)存在的問(wèn)題，且使用該方法和經(jīng)驗(yàn)參數(shù)法獲得的能耗數(shù)據(jù)相比誤差小于1%，具有較高的精度。

內(nèi)置功率傳感器; 數(shù)據(jù)矯正; 綠色計(jì)算; 軟件能耗

在提倡節(jié)能減排的當(dāng)今世界，用電設(shè)備尤其是科學(xué)計(jì)算設(shè)備的能耗問(wèn)題日益突出，越來(lái)越受到軟硬件開(kāi)發(fā)商、科研機(jī)構(gòu)和政府的重視[1-2]。

在工業(yè)界有一句名言“如果你不能度量它，那么你就不能改進(jìn)它”，這句話蘊(yùn)含了度量是后續(xù)工作的基礎(chǔ)[2]。能耗度量方式主要有間接和直接兩種方式。間接方式是利用能耗模型、利用硬件性能計(jì)數(shù)器或硬件事件和能耗之間的關(guān)聯(lián)模型進(jìn)行估測(cè)軟件運(yùn)行能耗。文獻(xiàn)[3-4]基于部件訪問(wèn)率提出了一種功率模型，用來(lái)估測(cè)部件的功率和整個(gè)程序的功率消耗；文獻(xiàn)[5-6]通過(guò)估算指令能耗提出了嵌入式軟件能耗計(jì)算方法和操作系統(tǒng)內(nèi)核能耗估算模型；文獻(xiàn)[7]基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果提出了GPU的功耗模型。間接方式方便了用戶(hù)獲得功率或能耗數(shù)據(jù)，但這些數(shù)據(jù)通常誤差較大且在硬件環(huán)境改變的情況下模型的參數(shù)必須重新進(jìn)行訓(xùn)練。軟件能耗測(cè)量最直接的方式是使用功率測(cè)量?jī)x器，但它在能耗測(cè)量上存在和設(shè)備連接困難的缺點(diǎn)。目前，利用內(nèi)置傳感器進(jìn)行功率采集測(cè)量已經(jīng)成為一種趨勢(shì)，如NVIDIA的Tesla系列顯卡[1,8]。內(nèi)置傳感器測(cè)量方式帶來(lái)了很大的方便，同時(shí)也引起了諸如功率遲滯、程序能耗受其啟動(dòng)時(shí)間影響等問(wèn)題[9-10]。文獻(xiàn)[9]通過(guò)引入經(jīng)驗(yàn)參數(shù)進(jìn)行解決，但它的計(jì)算需要顯卡內(nèi)部電路器件組成，要求較高。為此，本文提出了一種無(wú)需了解顯卡內(nèi)部電路器件組成的基于逼近函數(shù)的數(shù)據(jù)采集矯正方法。通過(guò)實(shí)驗(yàn)驗(yàn)證，該方法能夠很好地解決此類(lèi)問(wèn)題。

1 問(wèn)題描述

使用內(nèi)置功率傳感器采集功耗數(shù)據(jù)時(shí)會(huì)產(chǎn)生功率遲滯、程序能耗受其啟動(dòng)時(shí)間影響等問(wèn)題[9-10]。這些問(wèn)題影響了程序能耗測(cè)量的準(zhǔn)確性以及破環(huán)了軟件功耗不受啟動(dòng)時(shí)間影響的特性。

1) 傳感器采集功率遲滯問(wèn)題。功率遲滯問(wèn)題表現(xiàn)為內(nèi)置功率傳感器在程序運(yùn)行階段和結(jié)束階段采集的功率數(shù)據(jù)未能實(shí)時(shí)地反映設(shè)備實(shí)際功率使用情況，采集的功率往往遲滯于GPU內(nèi)核程序驅(qū)動(dòng)硬件活動(dòng)狀況。它們所表現(xiàn)出的共同特征是傳感器采集的數(shù)據(jù)逐漸接近真實(shí)功率。遲滯問(wèn)題會(huì)造成在程序運(yùn)行時(shí)間內(nèi)對(duì)功率數(shù)據(jù)的積分所得到軟件能耗數(shù)據(jù)不準(zhǔn)確。由于無(wú)法明確遲滯時(shí)間，且遲滯時(shí)間難以在采集到的功率曲線中體現(xiàn)出來(lái)，因此通過(guò)延長(zhǎng)采樣時(shí)間的方法來(lái)獲得程序真實(shí)能耗的方法是不可行的。用量化的方式來(lái)描述這種現(xiàn)象即為：

2) 程序能耗受啟動(dòng)時(shí)間影響。上述遲滯現(xiàn)象所造成的另一個(gè)問(wèn)題是兩個(gè)相同程序在相差一段時(shí)間內(nèi)運(yùn)行，后者所消耗的能耗顯著增加，即程序啟動(dòng)時(shí)間間隔影響其后程序的能耗。從軟件能耗產(chǎn)生本質(zhì)原因來(lái)看，兩個(gè)相同的程序在相同的硬件上運(yùn)行的能耗是相同的或由于程序運(yùn)行的局部性原理而造成的后者能耗的降低；并且軟件能耗與軟件的啟動(dòng)時(shí)間無(wú)關(guān)，但由于遲滯現(xiàn)象的出現(xiàn)使得相同程序所消耗的能耗和啟動(dòng)的時(shí)間相關(guān)。這種現(xiàn)象明顯與軟件能耗產(chǎn)生的本質(zhì)[2,4]不符。用量化的方式來(lái)描述這種現(xiàn)象即為：

式(1)和式(2)中的表示軟件能耗；三元組下標(biāo)分別表示程序開(kāi)始時(shí)間、程序結(jié)束時(shí)間、運(yùn)行的軟件；D為兩個(gè)程序啟動(dòng)時(shí)間間隔；上標(biāo)Sensor和Actual分別表示使用功率傳感器測(cè)得的能耗和設(shè)備實(shí)際消耗能耗情況。

2 基于逼近函數(shù)的能耗矯正方法

由于內(nèi)置功率傳感器內(nèi)部的硬件組成細(xì)節(jié)、硬件驅(qū)動(dòng)實(shí)現(xiàn)以及其使用的功率計(jì)算算法廠商未被提供，所以本文通過(guò)采集傳感器的大量數(shù)據(jù)，以及觀測(cè)相關(guān)現(xiàn)象進(jìn)而分析上述問(wèn)題產(chǎn)生的原因主要在于：

1) 觀測(cè)傳感器所采集的大量數(shù)據(jù)發(fā)現(xiàn)它們具有連續(xù)性，推測(cè)傳感器可能使用了與溫度相關(guān)的算法來(lái)計(jì)算功率。

2) 從傳感器在程序運(yùn)行階段和結(jié)束階段采集的數(shù)據(jù)所表現(xiàn)出的共有特征，推測(cè)功率傳感器可能使用了一類(lèi)電容或電感效應(yīng)的電路。

上述原因使得傳感器采集到的數(shù)據(jù)在程序運(yùn)行階段和結(jié)束階段不能真實(shí)反映軟件在運(yùn)行時(shí)設(shè)備的功率使用情況。軟件能耗和硬件能耗之間的關(guān)系[2,5]、問(wèn)題產(chǎn)生的原因以及傳感器采集的數(shù)據(jù)逐漸接近真實(shí)功率的現(xiàn)象[9-10]，啟發(fā)本文根據(jù)軟件運(yùn)行時(shí)長(zhǎng)進(jìn)行數(shù)據(jù)矯正。內(nèi)置傳感器采集運(yùn)行時(shí)間短的程序所得到的功耗數(shù)據(jù)是趨向性數(shù)據(jù)，對(duì)其進(jìn)行擬合能夠?qū)呄蛐詳?shù)據(jù)進(jìn)行矯正。對(duì)于運(yùn)行時(shí)間長(zhǎng)的程序，由于傳感器采集的數(shù)據(jù)是逐漸逼近的真實(shí)數(shù)據(jù)，本文采用基于誤差方向的逼近函數(shù)進(jìn)行矯正。

對(duì)傳感器采集的大量數(shù)據(jù)進(jìn)行觀測(cè)發(fā)現(xiàn)如果程序運(yùn)行時(shí)間或并行程序中的分階段運(yùn)行的線程時(shí)間在小于t內(nèi)，那么在這個(gè)時(shí)間段內(nèi)傳感器測(cè)得的數(shù)據(jù)是趨向性數(shù)據(jù)，這段程序所消耗的真實(shí)功率可以利用位于t后的功率數(shù)據(jù)來(lái)表示。t是內(nèi)置功率傳感器數(shù)據(jù)趨于真實(shí)數(shù)據(jù)時(shí)的時(shí)間，它的取值為內(nèi)置功率傳感器從產(chǎn)生功耗數(shù)據(jù)開(kāi)始得出的功耗數(shù)據(jù)和文獻(xiàn)[7]中直接功率測(cè)量方法得到的數(shù)據(jù)相差3%時(shí)所經(jīng)歷的時(shí)間。不同型號(hào)的GPU有不同的t值。為了減少誤差可以通過(guò)采集一定數(shù)量軟件的功耗數(shù)據(jù)獲得。由于程序運(yùn)行時(shí)間在t內(nèi)，測(cè)得的數(shù)據(jù)是趨向性數(shù)據(jù)。利用函數(shù)擬合方法能夠使采集到的趨向性數(shù)據(jù)逼近軟件運(yùn)行時(shí)的實(shí)際功率數(shù)據(jù)，因此采用函數(shù)擬合方法對(duì)軟件運(yùn)行時(shí)的功率進(jìn)行逼近。首先利用函數(shù)擬合方法將采集到的數(shù)據(jù)擬合成函數(shù)

下的真實(shí)功率數(shù)據(jù)，為了提高準(zhǔn)確度，本文取時(shí)刻t-△t、時(shí)刻t以及時(shí)刻t+△t下功率數(shù)據(jù)的平均作為逼近表示時(shí)刻t下的真實(shí)功率數(shù)據(jù)。因此運(yùn)行時(shí)間在t內(nèi)程序的功率數(shù)據(jù)使用如式(3)進(jìn)行矯正：

式中

real()、meas()、D和Avg()函數(shù)與式(3)表示的含義一樣；表示在當(dāng)前誤差方向的情況下傳感器所采集到的功率數(shù)據(jù)，它的取值為未矯正過(guò)的數(shù)據(jù)；在式(3)與式(4)中t的取值為程序開(kāi)始時(shí)間(start)和結(jié)束時(shí)間(end)之間的值。

在程序運(yùn)行結(jié)束后，內(nèi)置傳感器會(huì)產(chǎn)生尾滯能耗現(xiàn)象[9-11]。它由兩部分組成，一部分是傳感器采集每個(gè)程序都有的常數(shù)能耗部分，常數(shù)部分是測(cè)量所有程序都表現(xiàn)出來(lái)的不隨所測(cè)程序改變而改變的恒定能耗部分；另一部分能耗是根據(jù)軟件運(yùn)行時(shí)間不同的可變部分，它是程序運(yùn)行結(jié)束后設(shè)備保持活動(dòng)空閑時(shí)的功率。因此對(duì)于尾滯能耗的可變部分不能作為軟件運(yùn)行時(shí)的能耗。為了使尾滯能耗的可變部分能更好地表現(xiàn)出程序結(jié)束時(shí)設(shè)備的功率情況，根據(jù)能耗產(chǎn)生的本質(zhì)[2,5]，只需將尾滯能耗的可變部分矯正為空閑狀態(tài)時(shí)的功率即可；常數(shù)能耗部分為程序無(wú)關(guān)的且是恒定的，所以不需要矯正。

綜上，經(jīng)過(guò)上述方法得到程序運(yùn)行時(shí)的實(shí)際功率數(shù)據(jù)，利用式(5)將上述矯正后的數(shù)據(jù)在程序運(yùn)行的時(shí)間段內(nèi)進(jìn)行積分就可以得到程序的真實(shí)能耗數(shù)據(jù)：

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)程序描述

在帶有內(nèi)置傳感器的平臺(tái)中，K20系列GPU運(yùn)算速度快、應(yīng)用范圍廣且所帶的功率傳感器成為測(cè)量功耗的一種典型配置。為此本文選取了具有代表性的K20系列(K20c、K20m和K20X)GPU為實(shí)驗(yàn)平臺(tái)，驗(yàn)證所提出方法的有效性。K20c和K20m有個(gè)streaming multiprocessors(SMX，2496個(gè)processing elements)和5 GB顯存。K20x擁有6 GB顯存和14個(gè)streaming multiprocessors(SMX，2688個(gè)processing elements)。它們的區(qū)別在于散熱方式，K20c使用主動(dòng)散熱方式，K20m使用被動(dòng)散熱方式。實(shí)驗(yàn)平臺(tái)所使用的CUDA開(kāi)發(fā)環(huán)境是VS2010，編譯環(huán)境是NVCC5.5。本文使用程序通過(guò)NVML接口查詢(xún)GPU的功率數(shù)據(jù)，并且查詢(xún)出的數(shù)據(jù)都帶有時(shí)間標(biāo)記。

實(shí)驗(yàn)程序使用兩種不同算法實(shí)現(xiàn)模擬重力感應(yīng)引起的多個(gè)恒星運(yùn)動(dòng)程序。第一種算法實(shí)現(xiàn)的程序執(zhí)行精確的雙向力計(jì)算，這種算法在規(guī)模為復(fù)雜度為(2)，簡(jiǎn)稱(chēng)為NBody。第二種算法使用Barnes-Hut算法執(zhí)行近似計(jì)算作用力的實(shí)現(xiàn)程序，算法的思想是把個(gè)恒星周?chē)捏w積層次劃分成有次序小正方體直到最里面的每個(gè)小正方體只有一個(gè)星體。結(jié)果被記錄在一個(gè)非平衡八叉樹(shù)的層次結(jié)構(gòu)中。這種層次結(jié)構(gòu)使算法的復(fù)雜性降為(log)[12]，將這種方法簡(jiǎn)稱(chēng)為BHut。

3.2 單內(nèi)核程序?qū)嶒?yàn)

圖1為使用NBody方法在=700 000時(shí)的功率曲線和使用本文提出的方法得到的功率數(shù)據(jù)。圖中曲線部分表示傳感器采樣得到的功率數(shù)據(jù)，虛線部分表示使用本文矯正方法中的式(4)得到GPU功率曲線。圖中1、2、3分別表示程序開(kāi)始時(shí)間、程序結(jié)束時(shí)間、常數(shù)能耗消耗開(kāi)始時(shí)間。

通過(guò)觀察圖中矯正后的功率數(shù)據(jù)可以看出，矯正后的數(shù)據(jù)能夠有效地逼近真實(shí)功耗數(shù)據(jù)，并且當(dāng)程序運(yùn)行結(jié)束時(shí)立即到達(dá)尾滯能耗空閑狀態(tài)功耗數(shù)值，矯正后的數(shù)據(jù)滿足軟件能耗產(chǎn)生的實(shí)質(zhì)并能夠反映GPU運(yùn)行時(shí)的真實(shí)功率。當(dāng)程序在1和2之間執(zhí)行，矯正后的數(shù)據(jù)能夠和采樣得到的穩(wěn)定數(shù)據(jù)重合，間接驗(yàn)證了本文方法的正確性。對(duì)于K20c系列GPU，活動(dòng)空閑功率為54.2 W左右，因此在使用本文方法后將程序運(yùn)行結(jié)束時(shí)的能耗到常數(shù)能耗之間的功率數(shù)據(jù)置為54.2 W，即為軟件結(jié)束后的真實(shí)功率。軟件實(shí)際能耗利用式(5)在1和2時(shí)間段積分即可得到。

圖1 N=700 000采集功率曲線圖和矯正后的功率曲線圖

圖2 啟動(dòng)間隔時(shí)間為1.1 s，N=350 000的兩個(gè)相同程序的功率曲線和矯正后的功率曲線圖

由圖1可以看出使用本文提出的方法可以消除由傳感器自身因素所帶來(lái)的遲滯問(wèn)題；而它所帶來(lái)的一個(gè)問(wèn)題是程序能耗受其啟動(dòng)時(shí)間影響。圖2為使用NBody方法在=350 000，啟動(dòng)間隔時(shí)間為1.1 s的兩個(gè)相同程序的功率曲線和使用式(3)矯正后的功率數(shù)據(jù)。圖中1、3分別表示第一個(gè)和第二個(gè)程序開(kāi)始時(shí)間，2、4分別為第一個(gè)和第二個(gè)程序結(jié)束時(shí)間，5是常數(shù)能耗開(kāi)始時(shí)間。從圖中可以看到：1) 未矯正前兩個(gè)相同的程序能耗明顯不同；2) 使用本文方法矯正后的曲線在兩個(gè)程序運(yùn)行期間是相同的，且都在程序運(yùn)行結(jié)束時(shí)處于活動(dòng)空閑狀態(tài)。相同的實(shí)驗(yàn)在=350 000，間隔0.4 s的情況下得到的矯正曲線和間隔1.1 s得到的矯正曲線情況相同。由圖中矯正后的結(jié)果可以看出使用本文方法能夠很好地解決程序能耗受啟動(dòng)時(shí)間影響的問(wèn)題且得到的功率數(shù)據(jù)與何時(shí)運(yùn)行程序無(wú)關(guān)，這個(gè)特性使得功率傳感器在測(cè)量程序能耗時(shí)無(wú)需等待傳感器數(shù)據(jù)達(dá)到空閑功率后啟動(dòng)下一個(gè)程序的功率測(cè)量。

圖3 N=700 000在K20m、K20x上的采集功率曲線圖 和矯正后的功率曲線圖

為了確保所提出的方法具有通用性，本文使用K20m、K20x和不同驅(qū)動(dòng)版本下的實(shí)驗(yàn)情況。圖3a、圖3b分別為=700 000時(shí)，K20m、K20x傳感器采集功率曲線圖和使用式(4)矯正后的功率曲線圖。由圖中的曲線可以看出K20m和K20c對(duì)于同一程序而言具有幾乎相同的功率曲線，所不同的是K20m的功率比K20c的功率要高出10 W左右。圖3b中的曲線顯示了K20x中的功率傳感器采集的數(shù)據(jù)和K20c、K20m采集的數(shù)據(jù)曲線明顯不同，K20x中的傳感器盡最大努力得到GPU的真實(shí)功率，這種現(xiàn)象也從側(cè)面驗(yàn)證了本文所提出的方法的正確性。在不同驅(qū)動(dòng)版本下的功率數(shù)據(jù)曲線與矯正后的曲線和圖3表現(xiàn)現(xiàn)象類(lèi)似，在此不再贅述。由圖3矯正后的數(shù)據(jù)可以看出使用本文提出的方法可以較好地解決由傳感器測(cè)量功耗時(shí)所產(chǎn)生的問(wèn)題。由于遲滯問(wèn)題在K20m和K20x上被解決，因此程序能耗受啟動(dòng)時(shí)間影響的問(wèn)題也就不存在了。通過(guò)實(shí)驗(yàn)結(jié)果也驗(yàn)證了利用本文所提出的方法解決式(2)所描述的問(wèn)題，在此由于篇幅有限，就不再展示在K20m和K20x平臺(tái)上程序能耗受其啟動(dòng)時(shí)間影響的實(shí)驗(yàn)結(jié)果。

3.3 多內(nèi)核程序?qū)嶒?yàn)

圖4是使用BHut方法在規(guī)模=22 000 000所得到的功率曲線和矯正后的功率曲線圖。由圖中可以看出BHut方法最高功率(128.2 W)低于NBody方法最高功率(158.4 W)，并且BHut方法在程序結(jié)束前功率出現(xiàn)下降現(xiàn)象，這點(diǎn)不同于NBody方法。原因在于使用BHut方法使得GPU硬件利用情況沒(méi)有NBody方法高，并且在程序結(jié)束前硬件出現(xiàn)負(fù)載非均衡的情況，使得GPU中的一些SM不再參與作用力計(jì)算。

通過(guò)本文提出的方法得到的功率曲線和NBody曲線有別，主要表現(xiàn)在1和2、2和3、4和5階段。1和2階段與2和3階段主要是BHut方法建立的數(shù)據(jù)結(jié)構(gòu)和對(duì)數(shù)據(jù)進(jìn)行處理等工作，處理這些工作的內(nèi)核程序非均衡地利用GPU中SM。這些工作使得功率數(shù)據(jù)不同于3和4階段的作用力計(jì)算。由于1和2階段與2和3階段運(yùn)行時(shí)間小于t，因此使用式(3)進(jìn)行矯正。在3和4階段內(nèi)核函數(shù)運(yùn)行時(shí)間大于t，因此使用式(4)進(jìn)行矯正。在4和5階段一些SM不再參與計(jì)算，因此GPU的功率出現(xiàn)下降，利用逼近函數(shù)較好地得到了真實(shí)功率數(shù)據(jù)。通過(guò)分析程序和觀察圖中的曲線，可以看出本文提出的方法能夠很好地跟蹤GPU硬件功率的變化情況而不僅僅給出一個(gè)恒定的值。

圖4 N=22 000 000采集功率曲線圖和矯正后的功率曲線圖

4 結(jié)果比較

文獻(xiàn)[9]也提出了一種解決這個(gè)問(wèn)題的方法，表1展示了在利用傳感器計(jì)算程序能耗時(shí)兩種方法在上述實(shí)驗(yàn)環(huán)境下的結(jié)果對(duì)比。

表1 結(jié)果對(duì)比

可以看出：1) 本文的方法與文獻(xiàn)[9]的方法得出的結(jié)果具有很大的相似性，最大誤差不超過(guò)1%，表明本文方法能夠很好地解決此類(lèi)問(wèn)題。2) 對(duì)比文獻(xiàn)[9]中使用的經(jīng)驗(yàn)參數(shù)方法，本文方法使用逼近函數(shù)的方法也能得到較好的效果，說(shuō)明了本文方法具有很好的通用性和可靠性。

5 結(jié) 束 語(yǔ)

本文提出了一種矯正內(nèi)置功率傳感器數(shù)據(jù)的方法。使用該方法可以較好地解決傳感器測(cè)量能耗所存在的功率遲滯、程序能耗受其啟動(dòng)時(shí)間影響等問(wèn)題，同時(shí)具有較好的準(zhǔn)確性與通用性。本文選取典型的K20系列GPU為實(shí)驗(yàn)平臺(tái)進(jìn)行驗(yàn)證，通過(guò)實(shí)驗(yàn)表明該方法適用于解決傳感器測(cè)量能耗存在的問(wèn)題。該方法較準(zhǔn)確地獲得軟件在設(shè)備中運(yùn)行的能耗，為以后的程序能耗優(yōu)化奠定了基礎(chǔ)。下一步研究?jī)?nèi)容包括程序能效比優(yōu)化和能耗評(píng)估，以進(jìn)一步提高能量的利用率，為綠色計(jì)算的深入應(yīng)用打下堅(jiān)實(shí)的基礎(chǔ)。

[1] Top 500 Supercomputer Site. The green lists[EB/OL]. [2014-11]. http://www.green500.org/greenlists.

[2] 郭兵, 沈艷, 邵子立. 綠色計(jì)算的重定義與若干探討[J]. 計(jì)算機(jī)學(xué)報(bào), 2009, 32(12): 2311-2319.

GUO Bing, SHEN Yan, SHAO Zi-li. The redefinition and some discussion of green computing[J]. Chinese Journal of Computers, 2009, 32(12): 2311-2319.

[3] HONG S, KIM H. An integrated GPU power and performance model[C]//ACM SIGARCH Computer Architecture News. [S.l.]: ACM, 2010, 38(3): 280-289.

[4] ISCI C, MARTONOSI M. Runtime power monitoring in high-end processors: Methodology and empirical data[C]//Proceedings of the 36th annual IEEE/ACM International Symposium on Microarchitecture. [S.l.]: IEEE Computer Society, 2003: 93.

[5] 劉嘯濱, 郭兵, 沈艷, 等. 基于ARM處理器的嵌入式軟件能耗統(tǒng)計(jì)模型[J]. 電子科技大學(xué)學(xué)報(bào), 2012, 41(5): 770-774.

LIU Xiao-bin, GUO Bing, SHEN Yan, et al. ARM-based embedded software statistical energy model[J]. Journal of University of Electronic Science And Technology of China. 2012, 41(5): 770-774.

[6] 趙霞, 郭耀, 雷志勇, 等． 基于模擬器的嵌入式操作系統(tǒng)能耗估算與分析[J]. 電子學(xué)報(bào), 2008, 36(2): 209-215.

ZHAO Xia, GUO Yao, LEI Zhi-yong, et al. Estimation and analysis of embedded operating system energy consumption [J]. ACTA Electronica Sinica, 2008, 36(2): 209-215.

[7] SONG S, SU C, ROUNTREE B, et al. A simplified and accurate model of power-performance efficiency on emergent gpu architectures[C]// 2013 IEEE 27th International Symposium on Parallel & Distributed Processing (IPDPS). [S.l.]: IEEE, 2013: 673-686.

[8] NVIDIA Corporation. “NVIDIA’s next generation CUDA compute architecture: Kelper GK110/210” White paper V1.1[EB/OL]. (2012-03-17). http://www.nvidia.com.

[9] BURTSCHER M, ZECENA I, ZONG Z. Measuring GPU power with the K20 built-in sensor[C]//Proceedings of Workshop on General Purpose Processing Using GPUs. [S.l.]: ACM, 2014: 28.

[10]PATHAK A, HU Y C, ZHANG M, et al. Fine-grained power modeling for smartphones using system call tracing[C]// Proceedings of the sixth conference on Computer systems. [S.l.]: ACM, 2011: 153-168.

[11]PATHAK A, HU Y C, ZHANG M. Where is the energy spent inside my app?: Fine grained energy accounting on smartphones with eprof[C]//Proceedings of the 7th ACM European Conference on Computer Systems. [S.l.]: ACM, 2012: 29-42.

[12]BARNES J, HUT P. A Hierarchical(log) force- calculation algorithm[J]. Nature, 1986, 324(4): 446-449.

編 輯 蔣 曉

Research on Power Data Correction Approach of GPU Build-in Sensor

LI Jun-ke1, GUO Bing1, SHEN Yan2, LI De-guang1, HUANG Yan-hui1, and QI Zheng-wei3

(1. College of Computer Science, SiChuan University Chengdu 610065; 2. School of Control Engineering, Chengdu University of Information Technology Chengdu 610225;3.School of Software, Shanghai Jiaotong University Minhang Shanghai 200030)

Power data acquisition is the premise of the green computing and the basic work of the software energy consumption measurement. In power data acquisition, using the built-in power sensor to get the software energy usually faces the problem of power hysteresis and software energy affected by its start time because of the built-in sensor constitution as well as its power computation algorithm. Aiming at the problem of the built-in power sensor algorithm, this paper proposes a power data correction approach based on approximation function. According to the length of time the program runs, this approach uses the data fitting method and the approximation function method based on the error direction to correct power sensor data respectively. Finally, this approach is verified on the typical K20 GPU series experimental platform. Experimental results show that this approach can better solve the problems with high accuracy and the data obtained by our approach compared to that of the empirical parameter approach is less than 1% error.

built-in power sensor; data correction; green computing; software energy

TP338.6

A

10.3969/j.issn.1001-0548.2016.03.021

2014 - 10 - 21；

2015 - 05 - 15