에너지-성능 인식 스케줄링을 위한 머신러닝

초록

데나드 시대 이후 임베디드 시스템 최적화는 에너지 효율과 대기 시간 사이의 복잡한 절충점을 탐색해야 합니다. 기존 휴리스틱 튜닝 방식은 이러한 고차원적이고 비평활적인 환경에서 종종 비효율적입니다. 본 연구에서는 이기종 멀티코어 아키텍처에서 최적의 스케줄링 구성을 자동 탐색하기 위해 가우시안 프로세스를 활용한 베이지안 최적화 프레임워크를 제안합니다. 우리는 에너지와 시간 간 파레토 최적선을 근사화함으로써 문제의 다중 목적 특성을 명시적으로 해결합니다. 더 나아가 민감도 분석(fANOVA)을 도입하고 다양한 공분산 커널(예: 마테른 커널 대 RBF)을 비교함으로써 블랙박스 모델에 물리적 해석 가능성을 제공하며, 시스템 성능을 주도하는 주요 하드웨어 매개변수를 규명합니다.

English

In the post-Dennard era, optimizing embedded systems requires navigating complex trade-offs between energy efficiency and latency. Traditional heuristic tuning is often inefficient in such high-dimensional, non-smooth landscapes. In this work, we propose a Bayesian Optimization framework using Gaussian Processes to automate the search for optimal scheduling configurations on heterogeneous multi-core architectures. We explicitly address the multi-objective nature of the problem by approximating the Pareto Frontier between energy and time. Furthermore, by incorporating Sensitivity Analysis (fANOVA) and comparing different covariance kernels (e.g., Matérn vs. RBF), we provide physical interpretability to the black-box model, revealing the dominant hardware parameters driving system performance.

에너지-성능 인식 스케줄링을 위한 머신러닝

Machine Learning for Energy-Performance-aware Scheduling

초록

Support