{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“讯息”：{“索引”：{“日期-部件”：[[2024,6,1]]，“日期-时间”：“2024-06-01T05:08:34Z”，“时间戳”：1717218514268}，“参考-计数”：27，“出版商”：“计算机协会（ACM）”，“问题”：“2”，“许可证”：[{“开始”：{-“日期-零件”：[2017,10,11]]，我“：“2017-10-11T00:00:00Z”，“timestamp”：1507680000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://www.acm.org\/publications\/policys\/corpyright_policy#Background”}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，”short-container-title“：[”SIGMETRICS Perform.Eval.Rev.“]，”published-print“：{”date-parts“：[2017,1,1 0,11]]}，“抽象”：“随着超级计算机和数据中心越来越多地安装图形处理单元（GPU），其巨大的电力成本带来了新的环境和经济问题。虽然动态电压和频率缩放（DVFS）技术已成功应用于传统CPU以储备能量，但GPU DVFS对应用程序性能和功耗的影响尚未完全了解，主要是由于复杂的GPU内存系统。提出了一种基于支持向量回归（SVR）的快速预测模型，该模型可以在不同GPU内核和内存频率下，使用一组配置参数估计给定GPU内核的平均运行时功率。我们的实验数据集包括从19个运行在实际GPU平台上的GPU内核中获得的931个样本，内核和内存频率在400MHz和1000MHz之间。我们通过十倍交叉验证来评估基于SVR的预测模型的准确性。我们获得了比先前模型更高的精度，平均均方误差（MSE）为0.797瓦，平均绝对百分比误差（MAPE）为3.08%。结合现有的性能预测模型，我们可以找到最佳的GPU频率设置，与应用默认设置相比，这些GPU内核平均可以节省13.2%的能量，性能损失不超过10%<\/jats:p>“，”DOI“：”10.1145\/3152042.3152066“，”type“：”期刊文章“，”created“：｛”日期部分“：[[2017,10,12]]，”日期时间“：”2017-10-12T12:52:50Z“，”时间戳“：1507812770000｝，”page“：”73-78“，”update policy“：”http:\/\/dx.DOI.org/10.1145\/crosmark policy“，”source“：”Crossref“，”由count引用“：12，”title“：[”具有核心和记忆频率标度的GPGPU功率估计“]，”前缀“：”10.1145“，”卷“：”45“，”作者“：[{”给定“：”强“，”家庭“：”王“，”序列“：”第一“，”从属“：[}”名称“：”香港浸会大学“}]}，{”给出“：”小文“，”家人“：”楚“，”顺序“：”附加“，”附属“：[[{“名称”：“香港浸会学院”}]}]，“成员”：“320”，“published-online“：{“date-parts”：[[2017,10,11]]}，“reference”：[{“key”：“e_1_1_1”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/IPDPS.2014.23”}，{“密钥”：“e_1_2_1_2_”，“首页”：“203”，《文章-标题》：“支持向量回归”，“卷”：“11”，“作者”：“Basak Debassish”，“年份”：“2007”，“非结构化”：“Debassish Basak、Srimanta Pal和Dipak Chandra Patranabis。2007 . 支持向量回归。神经信息处理——信件和评论11，10（2007），203-224。Debasish Basak、Srimanta Pal和Dipak Chandra Patranabis，2007年。支持向量回归。Neural Information Processing-Letters and Reviews 11，10（2007），203--224.“，”journal-title“：”Neural信息处理-Letters-and Revieves“}，{“key”：“e_1_2_1_3_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/1961189.1961199“}”，{”key“：”e_2_4_1“，”doi-assert-by“：”publisher“，“doi”：“10.1145\/3077839.307855”}，“doi-asserted-by“：”publisher“，”doi“：”10.1109\/IISWC.2009.5306797“}，{“key”：“e_1_2_1_6_1”，“doi-assert-by”：“publisher”、“doi”：“10.1145\/2593069.2593208”}、{“key”：“e_1_2_1_7_1”、”volume-title“：”2015 IEEE国际通信会议（ICC）.436-441“，”author“：”Chu X.“，”“unstructured”：“X.Chu，C.Liu，K.Ouyang，L.S.Yung，H。Liu和Y.W.Leung。2015.PErasure：用于GPU的并行Cauchy Reed-Solomon编码库。2015年IEEE国际通信会议（ICC）。436--441 . X.Chu、C.Liu、K.Ouyang、L.S.Yung、H.Liu和Y.W.Leung。2015.PErasure：用于GPU的并行Cauchy Reed-Solomon编码库。2015年IEEE国际通信会议（ICC）。436--441.“}，{“key”：“e_1_2_1_8_1”，“unstructured”：“吴春峰和汤姆·斯科格兰斯。2016。绿色500.{在线}https:\/\/www.top500.org\/GREEN500\/lists\/2016\/11\/。(2016). 吴春峰和汤姆·斯科格兰斯。2016年，绿色500。{在线}https:\/\/www.top500.org\/green500\/lists\/2016\/11\/。(2016).“}，{”key“：”e_1_2_1_9_1“，”volume-title“：”2016 IEEE国际并行和分布式处理研讨会（IPDPSW）。1190--1199“，”author“：”Coplin J.“，“unstructured”：”J.Coplin和M.Burtscher.2016。GPGPU基准程序的能量、功率和性能表征。2016年IEEE国际并行和分布式处理研讨会（IPDPSW）。1190--1199 . J.Coplin和M.Burtscher。2016.GPGPU基准项目的能源、电力和性能特征。2016年IEEE国际并行和分布式处理研讨会（IPDPSW）。1190--1199.“}，{”key“：”e_1_2_1_10_1“，”volume-title“：”第25届神经信息处理系统国际会议（NIPS'12）“，”author“：”Dean Jeffrey“，”unstructured“：”Jeffrey-Dean，Greg S.Corrado，Rajat Monga，Kai Chen，Matthieu Devin，Quoc V.Le，Mark Z。Mao、Marc’Aurelio Ranzato、Andrew Senior、Paul Tucker、Ke Yang和Andrew Y.Ng。2012.大规模分布式深层网络。《第25届神经信息处理系统国际会议论文集》（NIPS’12）。1223--1231. Jeffrey Dean、Greg S.Corrado、Rajat Monga、Kai Chen、Matthieu Devin、Quoc V.Le、Mark Z.Mao、Marc’Aurelio Ranzato、Andrew Senior、Paul Tucker、Ke Yang和Andrew Y.Ng.2012。大规模分布式深层网络。《第25届神经信息处理系统国际会议论文集》（NIPS’12）。1223--1231.“}，{”key“：”e_1_1_11_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/1815961.1815998”}，“key”：“e_1_i_12_12_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/CPSNA.2015.23“}”，{“key“:”e_2_1_13_1“。电源和阈值电压缩放技术。多电压CMOS电路设计（2006）45-84。V.Kursun和E.G.Friedman。2006.电源和阈值电压缩放技术。多电压CMOS电路设计（2006）45-84.“，”DOI“：”10.1002\/04700 33371.ch3“}，｛”key“：”e_1_2_1_14_1“，”DOI断言“：”publisher“，”DOI“：”10.1145\/2485922.48596964“}，｛”key“：”e_1_2_1_15_1“，”volume title“：”ACM SOSP功率感知计算与系统研讨会（HotPower）进展“，”作者“：”Ma Xiaohan“，”年份“：”2009“，”非结构化“：”马晓翰、棉东、林忠和邓志刚。2009 . 基于GPU的计算的统计功耗分析和建模。ACM SOSP功率感知计算和系统（HotPower）研讨会进行中。马晓翰、棉东、林忠和邓志刚。2009年。基于GPU的计算的统计功耗分析和建模。ACM SOSP功率感知计算和系统（HotPower）研讨会进行中。“}，{”key“：”e_1_1_16_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/INFOCOM.2017.8057205”}，“{”key“：“e_1_i_17_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.dcan.2016.10.001“}”，{“key”：“e_ 2_1_18_1”8315“}，{”key“：”e_1_2_1_19_1“，”非结构化“：”NVIDIA.2014。GeForce GTX 980白皮书。{在线}http://www.geforce.com/hardware\/notebook-gpus\/geforce-gtx-980\/specifications。(2014). 英伟达。2014.GeForce GTX 980白皮书。{在线}http://www.geforce.com/hardware\/notebook-gpus\/geforce-gtx-980\/specifications。(2014).“}，{”key“：”e_1_2_1_20_1“，”unstructured“：”NVIDIA.2016。GPU计算SDK。{在线}https:\/\/developer.nvidia.com/gpucomputing-sdk。(2016). 英伟达。2016.GPU计算SDK。{在线}https:\/\/developer.nvidia.com/gpucomputing-sdk。(2016).“}，{”key“：”e_1_2_1_21_1“，”unstructured“：”NVIDIA.2016。NVIDIA档案器。{在线}http://\/docs.nvidia.com/cuda\/profilerusers-guide。(2016). 英伟达。2016年，NVIDIA Profiler。{在线}http://\/docs.nvidia.com/cuda\/profilerusers-guide。(2016).“}，{”key“：”e_1_2_1_22_1“，”unstructured“：”NVIDIA.2016。NVIDIA系统管理接口（NVIDIA-smi）。{在线}https:\/\/developer.nvidia.com/nvidia-system-management-interface。(2016). 英伟达。2016.NVIDIA系统管理界面（NVIDIA-smi）。{在线}https:\/\/developer.nvidia.com/nvidia-system-management-interface。(2016).“}，{”key“：”e_1_1_23_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/IPDPS.2013.73”}，“key”：“e_2_1_24_1”，“volume-title”：“GPGPU性能评估与核心和内存频率缩放。arXiv预印本arXiv:1701.05308”，“author”：“Wang Qiang”，“year”：“2017”，“unstructured”：“Qiang Wang and Xiaown Chu。2017”。基于内核和内存频率缩放的GPGPU性能评估。arXiv预印arXiv:1701.05308（2017）。王强和朱晓文。2017.GPGPU性能评估（带核心和内存频率缩放）。arXiv预印arXiv:1701.05308（2017）。“}，{”key“：”e_1_1_25_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145 \/3077839.3077858”}，“key”：“e_2_1_26_1”，“volume-title”：“2015 IEEE第21届高性能计算机体系结构国际研讨会（HPCA）.564-576”，“author”：“Wu G”，“unstructured”：“G.Wu，J.L.Greathouse，A.Lyashevsky，N.Jayasena，and D.Chiou，2015。使用机器学习的GPGPU性能和功率估计。2015年IEEE第21届高性能计算机体系结构国际研讨会（HPCA）。564--576 . G.Wu、J.L.Greathouse、A.Lyashevsky、N.Jayasena和D.Chiou。2015.使用机器学习的GPGPU性能和功率估计。2015年IEEE第21届高性能计算机体系结构（HPCA）国际研讨会。564--576.“｝，｛“key”：“e_1_2_1_27_1”，“doi断言者”：“publisher”，“doi”：“10.1093\/生物信息学\/btu047”｝]，“容器标题”：[“ACM SIGMETRICS性能评估评审”]，“原始标题”：[]，“语言”：“en”，“链接”：[｛“URL”：“https:\/\/dl.ACM.org/doi\/pdf\/10.11145\/31520423152066”，“内容类型”：“未指定”，“内容版本”：“vor”，“intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,12,31]]，”date-time“：”2022-12-31T21:51:38Z“，”timestamp“：1672523498000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3152042.3152066”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-part”：[[2017,10,11]]}，“引用计数”：27，“期刊号：｛“issue”：“2”，“published print”：｛“date parts”：[[2017,10,11]]｝｝，“alternative id”：[“10.1145\/31520423152066”]，“URL”：“http:\/\/dx.doi.org/10.1145\/31520423152066”，“relationship”：｛｝，“ISSN”：[“0163-5999”]，“ISSN type”：[｛“value”：“0163-5999”，“type”：“print”｝]，“subject”：[]，“published”：｛“date”parts“：[[2017,10,11]]}，”断言“：[｛”值“：”2017-10-11“，”order“：2，”name“：”published“，”label“：”published“，”group“：{“name”：”publication_history“，”标签“：”publication history“}}]}}