基于Cacheline多核分析技術的能耗精準預測研究

摘 要：針對能耗數據預測結果不精準問題，提出了基于改進鯨魚算法的電力專用芯片能耗預測研究。分析電力專用芯片Cache line讀寫耗能實時性，確定芯片任務執行動態頻率實時性約束條件。在Cache多核處理器高速緩存硬件架構支持下，構建靜態能耗目標函數和動態能耗目標函數。采用改進鯨魚優化方法，加入非線性自適應加權因子，通過調節鯨魚與獵物之間距離獲取預測結果。為避免改進鯨魚算法陷入局部最優，采用了微分干擾因子來實現全局最優。實驗結果表明，該方法與實際數據存在最大為10 V的電壓和1 A的電流，且能耗預測曲線完全收斂，說明使用該方法能夠獲取精準預測結果。

關鍵詞：改進鯨魚算法；電力專用芯片；能耗預測；微分擾動因子；收斂

中圖分類號：TP311；TM769"""""""""""""""""""""" 文獻標識碼：A""""""""""""""""""""" 文章編號：1001-5922（2024）07-0189-04

Research on accurate energy consumption prediction

based on Cacheline multi core analysis technology

YANG Jun， YAO Hao， TAO Wei， CHEN Junjian， YU Yang， CHEN Bo

（Digital Grid Research Institute of China Southern Power Grid，Guangzhou 610663，China）

Abstract： In order to solve the problem of inaccurate prediction results of energy consumption data， a research on energy consumption prediction of power chips based on improved whale algorithm was proposed. The real?time energy consumption of Cache line read and write in the power?specific chip was analyzed， and the real-time constraints of the dynamic frequency of chip task execution were determined. With the support of the cache hardware architecture of the Cache multi?core processor， the static energy consumption objective function and the dynamic energy consumption objective function were constructed. Using the improved whale optimization method， adding nonlinear adaptive weighting factors， the prediction results were obtained by adjusting the distance between whales and prey. In order to avoid the improved whale algorithm from falling into the local optimum， the differential interference factor was used to achieve the global optimum. The experimental results showed that the method and the actual data had a maximum voltage of 10V and a current of 1A， and the energy consumption prediction curve was completely converged， indicating that the method can obtain accurate prediction results.

Key words： improved whale algorithm；power?specific chip；energy consumption prediction；differential disturbance """""""""""factor；convergence

在電力系統中，如何有效地預測電力專用芯片能耗，提高系統穩定性能，成為了一項十分必要的工作。利用多臺計算機共享高速緩存技術結合曲線擬合法，建立了高速緩沖存儲器中的數據模型［1］。提出了基于任務調度的預測技術，充分考慮了作業時間概率分布，采用混合整型線性規劃模型對問題進行建模［2］。基于上述分析，提出了基于改進鯨魚算法的電力專用芯片能耗預測研究，利用改進鯨魚算法的氣泡網攻擊機制最優解搜索方法，獲取電力專用芯片能耗預測結果。

1"" 電力專用芯片Cache line讀寫耗能實時性

分析

在電力專用芯片中，當多核處理器同時完成多個任務時，數據會被存儲到同一個緩沖區，導致數據被重新讀寫，從而造成功耗下降［3?4］。目前主流的多核處理器Cache體系結構中，通常包括私有L1 Cache和共享L2 Cache，其中私有L1 Cache負責緩存CPU數據，共享L2 Cache負責共享L1 Cache存取的數據。電力專用芯片耗能Cache多核處理器架構。

每1個核心有1個L1 Cache，其能夠很好避免不同應用程序間競爭；但同時還具有小容量、高缺失率的缺點。而L2 Cache多核處理器則是通過互聯網在各個內核間進行共享。假設電力專用芯片待執行的實時任務為[a1，a2…an]，不同任務彼此獨立且有不同運行周期。每項任務均包括執行周期、準備時間、結束時間和最長時間，用于評估任務在極端條件下的執行情況。為了滿足嵌入式系統實時性要求，構建動態頻率實時性約束數學模型：

[Bi=Ti-Ciηi≥0]"""""""""""""""""""""""""" （1）

式中：[Ci]為最長執行時間；[ηi]表示極端頻率。能耗精準預測關鍵在于對周期作業實時優化程度，以減小作業周期能耗，實現能耗動態預測。

2"" 電力專用芯片能耗預測

2.1"" 動靜態能耗目標函數確定

根據電力專用芯片Cache line讀寫耗能實時性分析結果，構建靜態能耗目標函數和動態能耗目標函數。在Cache多核處理器高速緩存硬件架構支持下，靜態能耗是一直存在的。

結合動靜態能耗目標函數，構建電力專用芯片總能耗目標函數為：

[Q=Q1+Q2]"""""""""""""""""""""""""""""""" （2）

在確定動靜態能耗目標函數情況下，需要求解目標函數。全局尋優與局部尋優是基于群體迭代演化的啟發式優化方法，對具有代表性種群進行全局搜索，必須擴展未知區域演化范圍，以保證種群多樣性，避免過早出現。因此，提出了一種改進鯨魚算法的氣泡網攻擊機制最優解搜索方法［5］。

2.2"" 基于改進鯨魚算法的氣泡網攻擊機制

""""最優解搜索

鯨魚算法是通過模仿鯨魚捕食行為來跟蹤被捕獲動物。但是，在實際問題中，鯨魚算法較易陷入局部優化，導致計算效率不高。為此，設計了一種基于改進的鯨魚優化算法［6］。由于鯨魚算法在優化過程中具有非線性屬性，所以引入了非線性自適應權重系數。

式中：[ωmin]表示非線性權重最小值；[ωmax]表示非線性權重最大值；[n]表示迭代次數。

采用氣泡網攻擊的方法，模擬了座頭鯨的捕食過程，采用螺旋形的方法來更新定位模式，其數學模型：

[L（n+1）=αεcos（2πk）+L（n）]"""""""""" ""（3）

式中：[k]表示螺旋隨機數。

因為鯨魚是沿著螺旋線路移動的，所以鯨魚算法利用同樣概率模擬螺旋更新同步過程［9］。由于電力專用芯片在實際運行過程中，需要交直流供電，靜態能耗無法為0，對于該芯片動態能耗實時性變化原理，如圖1所示。

假設Cache多核處理器的動態極端頻率被歸一化為1，為了滿足實時性要求，需要在周期內執行所有任務［8］。為了精準預測能耗，需要使所有的任務均滿足實時性約束，根據懲罰函數的構建規則，將動態能耗預測轉換為無約束的全局優化問題，公式為：

[f=（Q）=mini=1mQ×（ηl）+μ×min（B1，0）+μ×min（B2，0）] （4）

式中：[μ]表示懲罰因子；[l]表示轉換次數；[m]表示任務總數。懲罰因子越大，預測的結果越精準。在迭代時，該方法的收斂系數較大，且下降速率較快，由于采用了全局搜索與局部搜索相結合的方法，使其在求解過程中能夠獲取全局最優解［9］。求解詳細步驟如下所示：

步驟1：設置種群大小和迭代次數，使各項參數初始化；

步驟2：令初始迭代次數為0，使其在求解過程中所產生的種群為初始種群；

步驟3：計算種群個體適應性，將最優解位置記錄下來；

步驟4：如果迭代次數小于最大迭代次數，那么微分擾動因子隨迭代次數變化，由2線性遞減到0；

步驟5：將上一代群體中所生成的最佳個體記錄下來，計算當前個體適應度，更新最優解，獲取精準能耗預測結果［10］。

3"" 實驗結果與分析

3.1"" 實驗平臺

采用GEM5模擬器作為實驗硬件平臺，將SPEC CPU2018標準測試集作為實驗測試標準集，分別使用處理器和存儲器對數據集進行數據處理和存儲，為實驗提供平臺支持，流經電力專用芯片的電壓和電流的乘積即為芯片能耗，能耗預測結果檢測就是對電壓、電流的檢測［11］。

3.2"" 實驗過程

在輔助計量過程中，使用簡單的電壓分壓器作為電壓傳感器，能耗預測的電壓檢測電路如圖2所示。

在檢測級被動接口電路中，應在輸入信號前作進一步調整，以消除帶寬噪音，從而避免誤差的測量［12-13］。

3.3"" 實驗數據分析

實驗數據來自于某電力企業2021年8月9日采集到的數據，如表1所示。

由表1可知，電力專用芯片在時間為08：00～14：00、18：00～22：00耗能最大，將電壓與電流數據作為能耗預測數據的基礎進行實驗對比分析。

3.4"" 實驗結果與分析

分別使用文獻［1］、文獻［2］和所研究方法對流經電力專用芯片的電壓、電流值進行統計，結果如圖3所示。

由圖3（a）可知，使用文獻［1］電壓、電流預測數據與實際表1數據存在一定偏差。當時間為12：00時，電壓數據存在最大誤差，設置為28 V。當時間為10：00時，電流數據存在最大誤差，設置為10 A；由圖3（b）可知，使用文獻［2］預測結果與表1數據存在一定誤差，在時間為16：00時，與實際數據相差最大為81 V和14.5 A的誤差；由圖3（c）可知，使用所研究方法電壓預測曲線和電流預測曲線在各個時間下所對應的數值，與表1數據基本一致，只在時間為20：00時，與實際數據存在最大為10 V的電壓和1 A的電流。通過上述分析結果可知，使用所研究方法電壓、電流數據預測結果與實際數據一致，說明能耗數值預測結果精準。

為了更加直觀反映所研究方法跳出局部最優能力，3種方法的能耗預測收斂對比可知，使用文獻［2］的曲線沒有收斂，說明使用該方法陷入了局部最優解；使用文獻［1］的曲線未完全收斂，說明使用該方法出現局部最優解；使用所研究方法曲線完全收斂，說明使用該方法不會陷入局部最優，而是獲取全局最優解。

4"" 結語

（1）建立了能耗靜態目標函數和動態目標函數，在改進鯨魚算法中引入非線性自適應權重系數，以鯨魚與獵物之間距離為依據，用數學方式求解；

（2）引入微分擾動因子，將動態能耗預測轉換為無約束的全局優化問題，加快算法收斂速度。

（3）所研究的方法具有良好收斂性，且通過實驗驗證了該點的正確性，下一步可將算法擴展性作為重點，應用到復雜場景中進行能耗預測。

【參考文獻】

［1］""" 姚浩，黃開天，余宏洲，等.基于共享Cache劃分的電力芯片能耗優化技術［J］.電力科學與技術學報，2021，36（5）：28?34.

［2］""" 李鵬，習偉，王軻.基于任務調度的電力終端多核芯片能耗優化技術［J］.南方電網技術，2020，14（1）：52?57.

［3］""" 陳行濱，王周，鄭飄飄，等.基于分布式文件系統電力大數據存儲實現［J］.粘接，2022（6）：172?175.

［4］""" 吳仲超.基于電力物聯網的配電設備監測與故障預警研究［J］.粘接，2022（5）：181?184.

［5］""" 羅鈞，龐亞男，劉建強.基于歷史認知的鯨魚算法求解動態能耗［J］.電子測量與儀器學報，2022，36（1）：236?245.

［6］""" 蔡賽男，宋衛星，班利明，等.基于鯨魚算法優化LSSVM的滾動軸承故障診斷［J］.控制與決策，2022，37（1）：230?236.

［7］""" 劉景森，馬義想，李煜.改進鯨魚算法求解工程設計優化問題［J］.計算機集成制造系統，2021，27（7）：1884?1897.

［8］""" 白利娟，鄭奇，何慧敏，等.電力高端控制芯片封裝協同設計、仿真與驗證［J］.半導體技術，2021，46（10）：795?800.

［9］""" 何雨旻， 辛明勇， 王宇， 等. 基于離散粒子群算法的電力芯片電路運行參數優化［J］. 電子設計工程， 2024， 32 （11）： 169?172.

［10］"""" 魯志威， 謝源源. Pareto鯨魚算法對電機結構的多目標工"" 程優化［J］. 農業裝備與車輛工程， 2023， 61（5）： 146?149.

［11］""" 蘭淼淼， 胡黃水， 王婷婷， 等. 基于改進鯨魚優化PID" 的無刷直流電機轉速控制算法［J］. 吉林大學學報"" （理學版）， 2024， 62 （3）： 704?712.

［12］""" 趙鑫， 楊杰， 李春全， 等. 基于鯨魚優化和并聯深度學" 習模型的光伏功率超短期預測［J］. 電力科學與工程，"" 2024， 40 （6）： 39?50.

［13］""" 王潁超. 鯨魚優化算法研究與應用進展［J］. 計算機工" 程與科學， 2024， 46 （5）： 881?896.