Modelado estadístico de potencia usando contadores de rendimiento sobre Raspberry Pi
Material type:
ArticleDescription: 1 archivo (417,3 kB)Subject(s): Summary: Controlar la disipación de potencia y la temperatura es una gran preocupación en todos los sistemas informáticos modernos. No obstante, obtener información sobre el consumo de energía del procesador y del sistema puede no ser una tarea trivial. Afortunadamente, los procesadores de hoy en día cuentan con una gran cantidad de contadores de hardware para monitorear diferentes eventos en CPU y memoria. En este trabajo, se diseña un nuevo modelo estadístico de estimación de potencia destinado a la placa de desarrollo embebido Raspberry Pi 3. El modelo mapea valores de ciertos contadores de rendimiento a consumo de potencia del dispositivo a través de regresión lineal. Se analizan decenas de aplicaciones correspondientes a benchmarks clásicos, obteniendo un error promedio menor al 6.8% tanto para soluciones secuenciales como para algoritmos paralelos utilizando OpenMP.
| Item type | Home library | Collection | Call number | URL | Status | Date due | Barcode | |
|---|---|---|---|---|---|---|---|---|
Capítulo de libro
|
Biblioteca de la Facultad de Informática | Biblioteca digital | A1114 (Browse shelf(Opens below)) | Link to resource | No corresponde |
Formato de archivo PDF. -- Este documento es producción intelectual de la Facultad de Informática - UNLP (Colección BIPA/Biblioteca)
Controlar la disipación de potencia y la temperatura es una gran preocupación en todos los sistemas informáticos modernos. No obstante, obtener información sobre el consumo de energía del procesador y del sistema puede no ser una tarea trivial. Afortunadamente, los procesadores de hoy en día cuentan con una gran cantidad de contadores de hardware para monitorear diferentes eventos en CPU y memoria. En este trabajo, se diseña un nuevo modelo estadístico de estimación de potencia destinado a la placa de desarrollo embebido Raspberry Pi 3. El modelo mapea valores de ciertos contadores de rendimiento a consumo de potencia del dispositivo a través de regresión lineal. Se analizan decenas de aplicaciones correspondientes a benchmarks clásicos, obteniendo un error promedio menor al 6.8% tanto para soluciones secuenciales como para algoritmos paralelos utilizando OpenMP.
Congreso Argentino de Ciencias de la Computación (24to : 2018 : Tandil, Argentina)