最小损耗能量密度LLED算法综述

最新推荐文章于 2024-07-10 13:07:49 发布

原创最新推荐文章于 2024-07-10 13:07:49 发布 · 548 阅读

CC 4.0 BY-SA版权

本文介绍了最小损耗能量密度（LLED）算法在能源意识的任务分区到异构多核平台的应用。LLED算法首先计算任务在不同处理器核心上的能量密度，然后根据能量密度差对任务进行排序并分配到最合适的核，目标是降低活跃能量消耗和优化静态功率消耗。文章探讨了LLED的两个阶段，以及与Max-min算法的比较，并考虑了高效和低效睡眠状态对能量的影响。

文献来源 Energy-Aware Partitioning of Tasks onto a Heterogeneous Multi-core Platform
Least Loss Energy Density Algorithm (LLED)最小损耗能量密度算法
先计算任务τi在m个处理器核心上的能量密度EDmi。能量密度是任务在各个核心上的单位时间的平均能耗。
再计算任务能量密度差DD，在处理器核心j能量密度差是任务τi在其他核心上能量密度比在核心j上稍大的能量密度减去在该核心上的能量密度，
该任务在该核心上的能量密度差=在其他核心上稍大的能量密度—在该核心上的能量密度。
再根据任务的能量密度差进行降序排列。
在这里插入图片描述

尝试将任务都分配给最适合的核心，可是每个核心的容量都是有限的，所以针对任务的能量密度差DD对任务进行排序，然后按顺序将任务分配给核心。（任务的能量密度ED是其在各自核心类型上的单位时间的平均能耗。）
当任务不能分配给最佳核心时，采用能量密度差进行分配。

分为两个阶段：
A、first phase of allocation ：reduce active energy consumption
LLED、Max-min
B、second phase of optimization ：trades tasks active energy consumption to enhance the ability of the processors to use efficient sleep states to reduce
static power consumption of the system.
LLED-SP、Max-min-SP
两种场景：1、高效的睡眠状态和低转换能耗。
2、低效睡眠状态和高的转换能耗。
以FF算法归一化比较LLED和MM