동적 전압 및 주파수 스케일링(Dynamic Voltage and Frequency Scaling, DVFS)은 컴퓨팅 장치의 전력 효율을 향상시키는 핵심 기술이다. 그러나 기존의 DVFS 방법은 모바일 기기의 고유한 요구에 대응하는 데 어려움을 겪는다. 최근의 강화학습(reinforcement learning, RL) 기반 접근법은 모바일 특유의 열(thermal) 및 작업 부하(workload) 특성에 맞추어 이를 해결한다. 그럼에도 불구하고 이러한 해법들은 벤더(vendor)가 보정한 기기별 설정을 무시한 채 주파수 조정만 수행하고, 배터리, 디스플레이, 집적회로(integrated circuits)와 같은 주변 및 비(非)프로세서 구성요소가 프로세서 열 관리(processor thermal management)에 미치는 영향을 간과하며, 환경 의존적 고정 파라미터에 의존하여 서로 다른 환경에서의 적응성을 제한한다. 이러한 한계를 해결하기 위해 본 연구에서는 환경에 적응 가능한 RL 기반 솔루션인 EarDVFS를 제안한다. EarDVFS는 전통적 방법과 RL 기반 방법의 장점을 결합하기 위해 선제적 스로틀링(proactive throttling)을 사용하고, 더 나은 열 관리를 위해 주변 및 비(非)프로세서 구성요소의 온도를 고려하며, 환경에 강건한 RL 파라미터 설계를 특징으로 한다. 서로 다른 주변 온도, 기기, 작업 부하에 걸친 광범위한 실험 결과, EarDVFS는 성능을 유지하면서 기본 DVFS 대비 평균 21.6% 및 최대 49.6%까지 전력 효율을 일관되게 향상시키는 것으로 나타났다. 또한, 본 연구에서는 RL 모델의 행동(action), 상태(state), 보상(reward) 요소에 대한 포괄적인 절제(ablation) 연구를 수행하여, 각 요소가 다양한 열 환경에서 EarDVFS의 적응성과 효과에 유의미하게 기여함을 확인하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.