페이즈 기반의 모바일 CPU 및 GPU 전력 모델 연구
Phase-based Accurate Power Modeling for Mobile CPU and GPU
초록/요약
모바일 디바이스의 배터리 용량은 조금씩 증가하고 있는 반면, 근래의 모바일 어플리케이션 프로세서는 딥러닝, 생체인식 등 더욱 무거운 워크로드를 수행할 수 있도록 요구되고 있다. 이러한 경향은 더욱 진보한 전력관리기술의 탄생을 위해 어플리케이션 프로세서의 핵심 구성요소인 CPU와 GPU에서 소모되는 전력을 실시간으로 분석할 수 있는 전력모델의 필요성을 야기 시킨다. 우리는 Performance Monitoring Counter를 이용하여 CPU와 GPU의 소모 전력을 정확하게 예측하는 전력모델을 구성을 목표로 한다. 본 논문에서는 CPU와 GPU의 동작 상태를 여러 가지 경우로 나눈 후 그것을 phase라고 명명한다. 각 phase 마다 독립된 전력모델을 만든 후 그것을 병합하여 최종 전력모델을 완성한다. 본 논문에서는 실험을 위해 갤럭시 S7 스마트폰을 사용하였고 72개의 워크로드를 사용하여 CPU 전력모델을 완성하였고, 15개의 워크로드를 사용하여 GPU 전력모델을 완성하였다. 완성된 모델은 CPU인 ARM Cortex A-53에서 2.51% , Samsung M1에서 1.97%의 오차를 보였고, Mali T880 GPU에서 8.92%의 오차를 각각 보였다. CPU, GPU 그리고 디스플레이 전력모델이 모두 통합된 전력 예측 소프트웨어는 9개의 3D 게임 벤치마크를 수행했을 때 스마트폰이 소비하는 전력을 6.36%의 오차로 예측하여 오차율이 경쟁모델을 사용한 것에 비해 56% 향상되었다.
more목차
1. 서론 1
2. 관련연구 3
2.1. Utilization 기반 전력모델 3
2.2. Energy Per Instruction 기반 전력모델 4
2.3. PMC 기반 전력모델 4
3. 동기 및 기여점 5
4. CPU 전력 모델링 8
4.1. CPU 전력 측정 방법 및 데이터 수집 8
4.1.1. CPU 전력 측정 방법 8
4.1.2. 모델링에 사용될 데이터 수집 10
4.2. 페이즈 기반의 CPU 전력 모델 12
4.2.1. 페이즈 분리 및 결정 방법 12
4.2.2. CPU 소모전력의 선형 회귀 모델 14
4.2.3. 회귀분석을 위한 변수선택 15
4.2.4. 페이즈 예측(Phase prediction) 16
5. GPU 전력 모델링 18
5.1 GPU 전력 측정 방법 및 데이터 수집 18
5.2. 페이즈 기반의 GPU 전력 모델 19
5.2.1. 페이즈 분리 19
5.2.2. 페이즈 결정 기준 및 결정 방법 22
5.2.3. GPU 소모전력 선형 회귀 모델 23
5.2.4. 회귀분석을 위한 변수선택 24
6. 실험결과 25
6.1. CPU 전력 모델링 결과 25
6.2. GPU 전력 모델링 결과 27
6.3. CPU + GPU 전력 예측 테스트 결과 28
6.3.1. 워크로드 선정 28
6.3.2. CPU 페이즈 예측 방법에 대한 비교 29
6.3.3. GPU 페이즈 결정 방법에 대한 비교 29
6.3.4. 전체 전력 모델 테스트 결과 30
7. 결론 및 향후 연구 31
참고문헌 34
Abstract 38
