Print indd

6
Conclusion
In this work, for chips with per-core DVFS capability, with the help of lightweight
metrics, we showed that we can predict the application’s performance response
to shared resource contention and frequency scaling. We also demonstrated that,

---

Performance-Energy Trade-off in CMPs with Per-Core DVFS
237
given application’s and its co-runners’ memory behavior just captured through a
single parameter of Aggressiveness Score, we can accurately predict the optimal
frequency for the given user QoS policy through machine learning. The results
demonstrated that on an average, 86% of the predictions were accurate and out
of the inaccurate predictions 94% were within a distance of one frequency step
(200 MHz). In addition to that, only 6.7% of the total predictions violated the
user QoS requirement. In the experiments, we observed that, by allowing 16% of
performance degradation, we can save up to 51% core-energy saving. We believe
that incorporating additional locality metrics to capture the behavior of the
applications can further improve the accuracy of the model. In addition to that,
the impact of the model from thermal perspective should also be studied.