ZeroDVFS: KI-gesteuerte Kern- und Frequenzzuweisung für eingebettete Systeme

In der Welt der eingebetteten Systeme ist die effiziente Nutzung von Energie und Wärme entscheidend. Die neue Methode ZeroDVFS nutzt ein hierarchisches, modellbasiertes Multi-Agenten-Reinforcement-Learning, um gleichzeitig die Kernzuweisung und die Spannungs‑/Frequenzsteuerung zu optimieren. Durch die Aufteilung des enormen Aktionsraums in zwei kollaborierende Agenten kann die Entscheidung in nur 358 ms getroffen werden, während die ersten Entscheidungen – inklusive der einmaligen Feature‑Extraktion mit einem großen Sprachmodell – zwischen 3,5 und 8 s dauern.

Ein zentrales Element ist ein präzises Umgebungsmodell, das mithilfe von Regressionsmethoden die thermische Dynamik und Leistungszustände vorhersagt. Kombiniert mit 13 semantischen Code‑Features, die ein großes Sprachmodell aus dem Quellcode von OpenMP‑Programmen extrahiert, ermöglicht das System einen Zero‑Shot-Ansatz: Neue Workloads können ohne aufwändige Profiling‑Samples auf bereits trainierten Plattformen eingesetzt werden, indem synthetische Trainingsdaten generiert werden.

Der Dyna‑Q‑inspiriertes Rahmenwerk verbindet direkte Reinforcement‑Learning‑Schritte mit modellbasiertem Planen und beschleunigt die Konvergenz um das 20‑fache im Vergleich zu rein modellfreien Methoden. In umfangreichen Tests mit den BOTS- und PolybenchC‑Benchmarks auf NVIDIA Jetson TX2, Jetson Orin NX, RubikPi und Intel Core i7 zeigte ZeroDVFS eine Energieeffizienz, die 7,09‑mal besser ist, und einen Makespan, der 4,0‑mal schneller ist als bei der Standard‑Linux‑Ondemand‑Governance.