gem5学习（17）：ARM功耗建模—

本文主要是介绍gem5学习（17）：ARM功耗建模——ARM Power Modelling，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、Dynamic Power States

二、Power Usage Types

三、MathExprPowerModels

四、Extending an existing simulation

五、Stat dump frequency

六、Common Problems

官网教程：gem5: ARM Power Modelling

通过使用gem5中已记录的各种统计数据，可以在gem5模拟中对能量和功率使用（energy and power usage）进行建模和监控。这是通过使用MathExprPowerModel实现的，它是一种通过数学方程来建模功率使用的方法。本教程详细介绍了功耗建模所需的各个组件，并解释了如何将它们添加到现有的ARM模拟中。

本章借鉴了位于configs/example/arm目录中的fs_power.py配置脚本，并提供了扩展此脚本或其他脚本的说明。

请注意，只有在使用更详细的“timing” CPU时才能应用功耗模型。

关于功耗建模如何集成到gem5中以及它们与模拟器的其他部分如何交互的概述，可以在Sascha Bischoff在2017年ARM Research Summit上的演示中找到。

完整的fs_power.py配置脚本：

import argparse
import osimport m5
from m5.objects import MathExprPowerModel, PowerModelimport fs_bigLITTLE as bLclass CpuPowerOn(MathExprPowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerOn, self).__init__(**kwargs)# 2A per IPC, 3pA per cache miss# and then convert to Wattself.dyn = ("voltage * (2 * {}.ipc + 3 * 0.000000001 * ""{}.dcache.overallMisses / simSeconds)".format(cpu_path, cpu_path))self.st = "4 * temp"class CpuPowerOff(MathExprPowerModel):dyn = "0"st = "0"class CpuPowerModel(PowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerModel, self).__init__(**kwargs)self.pm = [CpuPowerOn(cpu_path),  # ONCpuPowerOff(),  # CLK_GATEDCpuPowerOff(),  # SRAM_RETENTIONCpuPowerOff(),  # OFF]class L2PowerOn(MathExprPowerModel):def __init__(self, l2_path, **kwargs):super(L2PowerOn, self).__init__(**kwargs)# Example to report l2 Cache overallAccesses# The estimated power is converted to Watt and will vary based# on the size of the cacheself.dyn = f"{l2_path}.overallAccesses * 0.000018000"self.st = "(voltage * 3)/10"class L2PowerOff(MathExprPowerModel):dyn = "0"st = "0"class L2PowerModel(PowerModel):def __init__(self, l2_path, **kwargs):super(L2PowerModel, self).__init__(**kwargs)# Choose a power model for every power stateself.pm = [L2PowerOn(l2_path),  # ONL2PowerOff(),  # CLK_GATEDL2PowerOff(),  # SRAM_RETENTIONL2PowerOff(),  # OFF]def main():parser = argparse.ArgumentParser(description="Generic ARM big.LITTLE configuration with ""example power models")bL.addOptions(parser)options = parser.parse_args()if options.cpu_type != "timing":m5.fatal("The power example script requires 'timing' CPUs.")root = bL.build(options)# Wire up some example power models to the CPUsfor cpu in root.system.descendants():if not isinstance(cpu, m5.objects.BaseCPU):continuecpu.power_state.default_state = "ON"cpu.power_model = CpuPowerModel(cpu.path())# Example power model for the L2 Cache of the bigClusterfor l2 in root.system.bigCluster.l2.descendants():if not isinstance(l2, m5.objects.Cache):continuel2.power_state.default_state = "ON"l2.power_model = L2PowerModel(l2.path())bL.instantiate(options)print("*" * 70)print("WARNING: The power numbers generated by this script are ""examples. They are not representative of any particular ""implementation or process.")print("*" * 70)# Dumping stats periodicallym5.stats.periodicStatDump(m5.ticks.fromSeconds(0.1e-3))bL.run()if __name__ == "__m5_main__":main()

实现了一个使用gem5模拟器的ARM big.LITTLE配置，并使用了示例的功耗模型。它定义了几个功耗模型类，包括CpuPowerOn、CpuPowerOff、CpuPowerModel、L2PowerOn、L2PowerOff和L2PowerModel。这些类通过继承MathExprPowerModel和PowerModel来定义不同的功耗模型。
主函数main()中首先解析命令行参数，并构建gem5模拟器的系统。然后，将示例的功耗模型与CPU和L2 Cache相关联。对于每个CPU，设置默认的功耗状态为“ON”，并将CpuPowerModel功耗模型与其关联。对于bigCluster的L2 Cache，设置默认的功耗状态为“ON”，并将L2PowerModel功耗模型与其关联。

一、Dynamic Power States

功耗模型由两个函数组成，用于描述如何计算不同功耗状态下的功耗消耗。这些功耗状态包括以下几种（来自src/sim/PowerState.py）：

UNDEFINED：无效状态，没有可用的功耗状态相关信息。这是默认状态。
ON：逻辑块正在主动运行，并根据所需的处理量消耗动态能量和漏电能量。
CLK_GATED：块内的时钟电路被关闭以节省动态能量，但块的电源仍然打开，并且块正在消耗漏电能量。
SRAM_RETENTION：逻辑块内的SRAM被拉入保持状态，进一步减少漏电能量。
OFF：逻辑块被断电，不消耗任何能量。

每个状态（除了UNDEFINED）都分配了一个功耗模型，使用PowerModel类的pm字段。它是一个包含4个功耗模型的列表，分别对应以下顺序的状态：

ON
CLK_GATED
SRAM_RETENTION
OFF

需要注意的是，虽然有4个不同的条目，但这些条目不一定是不同的功耗模型。提供的fs_power.py文件在ON状态使用一个功耗模型，然后在其余状态使用相同的功耗模型。

二、Power Usage Types

gem5模拟器对功耗使用模拟了两种类型：

静态功耗（static）：模拟系统在任何活动情况下使用的功耗。
动态功耗（dynamic）：由于各种活动而导致系统使用的功耗。

一个功耗模型必须包含用于模拟这两种功耗的方程（这个方程可以非常简单，比如，如果不需要或者与该功耗模型无关的静态功耗，可以将其设为st = "0"）。

三、MathExprPowerModels

在fs_power.py中提供的功耗模型是继承自MathExprPowerModel类的。MathExprPowerModel是指定为包含用于计算系统功耗的数学表达式的字符串。它们通常包含了一些统计数据和自动变量，比如温度，例如：

class CpuPowerOn(MathExprPowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerOn, self).__init__(**kwargs)# 2A per IPC, 3pA per cache miss# and then convert to Wattself.dyn = "voltage * (2 * {}.ipc + 3 * 0.000000001 * " \"{}.dcache.overall_misses / sim_seconds)".format(cpu_path,cpu_path)self.st = "4 * temp"

上述的功耗模型来源于提供的fs_power.py文件。

可以看到自动变量（电压和温度【voltage and temp】）不需要路径，而组件特定的统计信息（CPU的每周期指令ipc）需要路径。在文件的主函数中，可以看到CPU对象有一个path()函数，返回组件在系统中的“路径”，例如system.bigCluster.cpus0。path函数由SimObject提供，因此可以被系统中任何扩展了SimObject的对象使用，例如稍后几行中的L2缓存对象也使用了它。

（注意将dcache.overall_misses除以sim_seconds以转换为瓦特。这是一个功耗模型，即能量随时间的变化。在使用这些术语时要小心，因为它们通常可以互换使用，但在功耗和能量模拟/建模方面，它们具有非常具体的含义。）

四、Extending an existing simulation

提供的fs_power.py脚本通过导入现有的fs_bigLITTLE.py脚本并修改其值来进行扩展。作为其中的一部分，使用了几个循环来迭代SimObjects的后代，以应用功耗模型。因此，为了扩展现有的仿真以支持功耗模型，可以定义一个辅助函数来帮助完成这个任务。

def _apply_pm(simobj, power_model, so_class=None):for desc in simobj.descendants():if so_class is not None and not isinstance(desc, so_class):continuedesc.power_state.default_state = "ON"desc.power_model = power_model(desc.path())

上述函数接受一个SimObject、一个Power Model和一个可选的类，SimObject的子孙必须实例化该类才能应用PM。如果没有指定类，则PM将应用于所有子孙。

无论是否决定使用辅助函数，现在需要定义一些Power Models。可以按照fs_power.py文件中的模式进行操作：

为感兴趣的每个功耗状态定义一个类。这些类应该扩展MathExprPowerModel，并包含dyn和st字段（分别表示动态和静态功耗）。每个字段应包含一个字符串，描述在该状态下如何计算各自类型的功耗。它们的构造函数应接受一个路径，用于通过格式在描述功耗计算方程的字符串中使用，并接受一些kwargs参数，以传递给超级构造函数。
定义一个类来保存在上一步中定义的所有Power Models。这个类应该扩展PowerModel，并包含一个名为pm的单一字段，其中包含一个包含4个元素的列表：pm[0]应该是“ON”功耗状态的Power Model的实例；pm[1]应该是“CLK_GATED”功耗状态的Power Model的实例；等等。这个类的构造函数应接受要传递给各个Power Models的路径，以及一些kwargs参数，这些参数将传递给超级构造函数。
有了辅助函数和上述类的定义，您可以扩展build函数，并在addOptions函数中添加一个命令行标志（如果希望能够切换使用这些模型）。

示例实现：

class CpuPowerOn(MathExprPowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerOn, self).__init__(**kwargs)self.dyn = "voltage * 2 * {}.ipc".format(cpu_path)self.st = "4 * temp"class CpuPowerClkGated(MathExprPowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerOn, self).__init__(**kwargs)self.dyn = "voltage / sim_seconds"self.st = "4 * temp"class CpuPowerOff(MathExprPowerModel):dyn = "0"st = "0"class CpuPowerModel(PowerModel):def __init__(self, cpu_path, **kwargs):super(CpuPowerModel, self).__init__(**kwargs)self.pm = [CpuPowerOn(cpu_path),       # ONCpuPowerClkGated(cpu_path), # CLK_GATEDCpuPowerOff(),              # SRAM_RETENTIONCpuPowerOff(),              # OFF][...]def addOptions(parser):[...]parser.add_argument("--power-models", action="store_true",help="Add power models to the simulated system. ""Requires using the 'timing' CPU."return parserdef build(options):root = Root(full_system=True)[...]if options.power_models:if options.cpu_type != "timing":m5.fatal("The power models require the 'timing' CPUs.")_apply_pm(root.system.bigCluster.cpus, CpuPowerModelso_class=m5.objects.BaseCpu)_apply_pm(root.system.littleCluster.cpus, CpuPowerModel)return root[...]

五、Stat dump frequency

默认情况下，gem5每模拟一秒钟就将模拟统计信息转储到stats.txt文件中。可以通过m5.stats.periodicStatDump函数进行控制，该函数接受以模拟时钟周期为单位的统计信息转储频率，而不是以秒为单位。同时，m5.ticks提供了一个fromSeconds函数，以便于使用。

下面是一个示例，展示了统计信息转储频率如何影响结果的分辨率，取自Sascha Bischoff的演示幻灯片第16页：

统计信息转储的频率直接影响基于stats.txt文件生成的图表的分辨率。然而，它也会影响输出文件的大小。每模拟一秒转储统计信息与每模拟一毫秒转储统计信息相比，会增加文件大小几百倍。因此，有意控制统计信息转储频率是合理的。

使用提供的fs_power.py脚本，可以按以下方式进行设置：

[...]def addOptions(parser):[...]parser.add_argument("--stat-freq", type=float, default=1.0,help="Frequency (in seconds) to dump stats to the ""'stats.txt' file. Supports scientific notation, ""e.g. '1.0E-3' for milliseconds.")return parser[...]def main():[...]m5.stats.periodicStatDump(m5.ticks.fromSeconds(options.stat_freq))bL.run()[...]

可以使用以下方式指定统计信息转储频率：

--stat-freq <val>

在调用模拟时进行设置。

六、Common Problems

使用提供的fs_power.py时，gem5崩溃，并显示以下错误消息：致命错误：统计信息''（160）未通过regStats()函数正确初始化
使用提供的fs_power.py时，gem5崩溃，并显示以下错误消息：致命错误：无法评估功耗表达式：[...]
这是因为gem5的统计框架最近进行了重构。获取最新版本的gem5源代码并重新构建应该可以解决这个问题。如果不希望这样做，可以使用以下两组补丁：