微处理器热点监控及温度重构算法设计与实现

近年来，电子产品的消费需求越来越高，消费者们不仅关注电子产品的性能，而且更加关注其产品本身是否轻便、小巧、易于携带。这为消费类电子产品的设计带来了很大的挑战。微处理器作为电子产品的核心元件，其本身性能的好坏直接影响着电子产品的用户体验。因此，很多芯片制造厂商都大力提升其微处理器的集成度，这造成了集成电路特征尺寸不断减小，功耗密度不断增加，芯片的工作温度也随之提高。过高的芯片温度导致晶体管漏电功耗增加，转换速率降低，电路可靠性下降等一系列严重的问题。针对这种情况，目前高性能微处理器中普遍采用动态热管理技术对其工作温度进行实时管理。 动态热管理技术依靠微处理器中集成的热传感器，采用有效的热点监控算法和温度重构算法来计算微处理器的工作温度状况，根据这一温度状况，来决定是否发出预警或者采取必要的响应。因此，热点监控算法和温度重构算法的好坏直接影响动态热管理的效率。本文基于这两种应用分别展开了算法的研究及优化，并在实验中仿真验证这些算法的性能。 在热点监控部分，本文首先研究如何利用K-means聚类算法和双重聚类算法实现以少量热传感器有效监控全部热点的方法。基于这些方法，再结合热点分布的一些特性，设计者提出了考虑热梯度的K-means聚类优化算法和考虑温度奇异点的双重聚类优化算法对热点监控效率进行改进。仿真结果表明，这两种优化算法无论在热点监控误差上还是传感器使用数量上，均比原有算法表现更为优秀。其中，在相同误差要求下，考虑温度奇异点的双重聚类优化算法所使用的传感器数量比考虑热梯度的K-means聚类算法更低。 在微处理器温度分布重构部分，本文提出两种利用非均匀分布热传感器温度采样值重构整个微处理器温度分布的方法。其中，基于V图频谱滤波的方法使用非均匀采样向均匀采样转化的思想，通过傅里叶变换和余弦变换，简单快速的实现了温度的重构，但是误差状况不是很理想。另一种方法是距离倒数加权平均算法，该方法精度高，但时间代价大。针对动态热管理中的时间及时性要求，提出分块距离倒数加权优化算法和基于V图相邻关系的距离倒数加权优化算法，能够极大的降低算法运行的时间代价。