چکیده: برای افزایش توان محاسباتی، طراحان ریزپردازنده‌ها سیستم های چندهسته ای را بر روی یک تراشه ساخته اند. زیادشدن تعداد هسته ها، سبب افزایش چگالی توان مصرفی و به دنبال آن منجر به افزایش دما می شود. برای بازدهی بیشتر و جلوگیری از سوختن پردازنده، دمای آن باید مدیریت و کنترل گردد. برای مدیریت دما، رویکرد های واکنشی و فعال معرفی‌شده‌اند. برخلاف رویکرد واکنشی، رویکردهای فعال پیش از رسیدن دما به حدآستانه، مدیریت دما را انجام می دهند. در این راستا، به مدلی برای پیش بینی دما نیاز دارند. عدم استفاده از مدلی با دقت بالا، می تواند سبب ایجاد نقاط داغ در پردازنده و یا کاهش عملکرد پردازنده شود. با این وجود، اغلب مدل های ارائه شده، با توجه به اطلاعات فرد خبره و با استفاده از تعدادی پارامتر محدود، به پیش-بینی دما پرداخته اند. به همین دلیل، دقت بالایی در پیش بینی رفتارهای مختلف دمایی پردازنده، توسط آن ها حاصل نمی شود. هدف اصلی این رساله، ارائه رویکردی برای ایجاد یک مدل دمایی است، که بتواند پیش بینی با دقت بالایی را برای تغییرات متنوع دمای پردازنده فراهم آورد. در این راستا، امکان پیش‌بینی پاسخ کنترلی حاصل از تصمیم های مدیریت دما، از قابلیت های مدل دمایی در نظر گرفته شده است. به بیانی دیگر، یکی از چالش های اصلی برای یک مدل دمایی، توانایی پیش بینی دمای آینده پردازنده، پیش از استفاده از روش های کنترل دما است. از دیگر چالش ها، ایجاد و انتخاب ویژگی های مناسب برای مدل دمایی است. بدون بهره گیری از ویژگی-های مناسب، نمی توان دقت بالایی در پیش بینی دما ارائه کرد. درنهایت، رویارویی با حالت های بسیار متنوعی از تغییرات دما، از دیگر چالش هایی است که در این رساله به آن پرداخته شده است. ازآنجایی‌که امکان یادگیری همه ی حالت ها به‌صورت برون خط، عملی نیست، امکان یادگیری آن ها در زمان اجرا، از توانایی های بااهمیت یک مدل دمایی است. در راه کار پیشنهادی در این رساله، از شبکه ی پرسپترون چندلایه ای (MLP) برای ایجاد مدل پیش بینی دما استفاده شده است. در این راستا، ابتدا، با الگوریتم پیشنهادی، به ایجاد یک مجموعه داده ی مناسب پرداخته، که شامل تنوع بالایی از تغییرات دمایی پردازنده است. تعدادی از ویژگی های مجموعه، با خواندن حسگرهای دمایی و دیگر ابزارهای اندازه گیری فراهم می شوند. همچنین، با پیش پردازش های پیشنهادی، تعدادی ویژگی با نام های سابقه ای و کنترلی، تولید شده اند. ویژگی های سابقه ای به منظور نگهداری آخرین تغییرات پارامترهای دمایی و ویژگی های کنترلی برای افزودن امکان پیش بینی پاسخ کنترلی، ایجاد می شوند. به دلیل تعداد بالای مجموعه ویژگی ها، برخی از آن ها، با استفاده از دو روش پیشنهادی با نام های مربع اختلاف همبستگی و توسعه‌یافته ی آن، به‌عنوان ورودی های مدل دمایی انتخاب می شوند. از طرفی، برای افزایش دقت پیش بینی برای حالت هایی که مدل با آن ها به‌صورت برون خط آموزش نیافته است، یک مدل دمایی برخط پیشنهاد شده است. مدل دمایی، در زمان اجرا برای حالت هایی که دقت مدل پایین است به‌روزرسانی می شود. مدل دمایی برخط پیشنهادی، مبتنی بر چند فاز دمایی است که برای هر فاز یک شبکه ی MLP برای پیش-بینی دما استفاده می گردد. فازهای مختلف دمایی با توجه به پارامترهای مؤثر بر دمای پردازنده و با استفاده از شبکه ی نظریه تشدید انطباقی (ART) شناسایی شده‌اند. ویژگی های مناسب برای هر فاز دمایی با الگوریتم پیشنهادی انتخاب می شوند. مدل پیشنهادی قادر است در زمان اجرا، در صورت برخورد با فاز دمایی جدید، آن را به مجموعه ی فازها اضافه کرده و شبکه عصبی مناسب برای آن را ایجاد کند. درنهایت، با استفاده از مدل دمایی پیشنهادی و یک مدل کنترلی، دمای پردازنده با تعیین فرکانس پردازنده و سرعت فن مدیریت می-گردد. نتایج حاصل از ارزیابی های متنوعی که در این رساله انجام شده است، نشان از دقت بالای مدل های پیشنهادی در مقایسه با دیگر مدل های ارائه شده تاکنون دارد. دقت مدل دمایی برای پیش بینی دمای 2 تا 5 ثانیه ی آینده محاسبه شده است. در ارزیابی برون خط، میانگین قدر مطلق خطای مدل دمایی پیشنهادی، برای فاصله های 2 و 5 ثانیه ی آینده کم تر از 0.5 و 0.7 درجه سانتی‌گراد محاسبه شده است. همچنین، در ارزیابی مدل برخط، خطای کمتر از 1 درجه سانتی گراد برای فاصله های مختلف زمانی به دست آمده است. درنهایت، مدل کنترل دما مورد ارزیابی و مقایسه با دیگر روش های ارائه شده قرار گرفته است. خطای مدل کنترل دما، در تعیین مقدار فرکانس پردازنده و سرعت فن، به ترتیب 2 و 0.6 درصد حاصل شده است.