Multi-level analysis of non-functional properties

Abstract

System properties are usually classified into functional (behavioral) and non-functional properties (NFPs). While functional properties refer to system behavior, NFPs are attributes, or constraints of a system. Power dissipation, temperature distribution on the chip, vulnerability to soft and intermittent errors, reliability and robustness are all examples of NFPs.

The exponential increase of system complexity and the transistor's smaller feature sizes pose new challenges to functional as well as non-functional properties of the system. Therefore, it becomes more important to understand and model their impact at early design phases.

This work targets dynamic, quantifiable NFPs and aims at providing a basis for the accurate analysis of this class of NFPs at early design phases. It proposes an accurate and efficient NFP characterization and analysis method for complex embedded systems. An efficient NFP prediction method helps designers understand how the devices behave over time, identify NFP bottlenecks within circuits and make design trade-offs between performance and different NFPs in the product design stage. It assists manufacturers build their circuits such that no performance degradation due to specific NFPs dominate over the life of an operating device.

The developed methodology is based on an efficient multi-level system-wide simulation that considers the target system application. High NFP evaluation speed is achieved using a novel piecewise evaluation technique which splits the simulation time into evaluation windows and efficiently evaluates NFP models once per window by partial linearization. The piecewise evaluation method is a fast, yet accurate replacement for a cycle-accurate NFP evaluation. To consider the mutual impact of different NFPs on each other, all NFP models are integrated into a common evaluation framework. The effect of some positive or negative feedback between different NFPs is dynamically considered during simulation. Evaluations are based on target applications instead of corner case analysis to provide a realistic prediction.

The contributions of this work can be summarized as follows:

(1) Generality: This work proposes a holistic, scalable NFP prediction methodology for multiple, interdependent NFPs. The NFP simulation and evaluation method is independent of a specific NFP, a particular model or a specific system or core. In addition, the method allows for multiple designs under analysis and multiple NFPs. As soon as the system is available at transaction level, it can be used for NFP estimation.

(2) Speed up: The NFP-aware simulation is performed on a multi-level platform while low level simulation is accelerated using parallelism. The complete system simulation is always kept at transaction level. All the NFPs under analysis can be estimated with a single simulation run. In addition, the evaluation speed can be increased by increasing the size of the evaluation window.

(3) Accuracy: The accuracy is a function of the accuracy of the selected model and the evaluation methodology. This work provides a method for integrating arbitrary low-level models into the system analysis. The right choice of low-level models may depend on the requirements for accuracy and efficiency. To preserve the low level evaluation accuracy, the required observables for piecewise evaluation are obtained at low level. The evaluation accuracy for the piecewise approach can be adjusted by calibrating the window size. Besides, rather than using statistical or worst-case analysis techniques (which may be too pessimistic in case of embedded systems with well defined applications), the complete system is simulated with the target applications and actual workloads to obtain higher accuracy for specific applications.

Systemeigenschaften werden üblicherweise in funktionale und nicht-funktionale Eigenschaften (NFPs) unterschieden. Während funktionale Eigenschaften sich auf das Verhalten eines Systems beziehen, entsprechen NFPs Attributen oder Einschränkungen des Systems. Die Verlustleistung, Temperaturverteilung auf dem Chip, die Anfälligkeit für transiente und intermittierender Fehler sowie Zuverlässigkeit und Robustheit sind Beispiele für NFPs.

Die exponentielle Zunahme der Systemkomplexität und immer kleineren Strukturgrößen der Transistoren stellen neue Herausforderungen sowohl an die funktionalen als auch an die nichtfunktionalen Eigenschaften des Systems. Daher wird es immer wichtiger, bereits in frühen Entwurfsphasen die Auswirkung dieser Eigenschaften auf kritische Design-Parameter zu verstehen und diese in einem Modell abzubilden.

Das Ziel dieser Arbeit ist es, eine Basis für eine genaue Analyse dynamischer, quantifizierbarer nicht-funktionale Eigenschaften (NFPs) für frühe Entwurfsphasen zur Verfügung zu stellen. Das Ergebnis dieser Arbeit ist ein Verfahren zur genauen und effizienten NFP Charakterisierung sowie eine dazugehörige Analyse-Methode für komplexe Eingebettete Systeme. Eine effiziente Methode zur Analyse von NFPs hilft dem Designer, das Verhalten eines Systems über die Zeit zu verstehen, NFP Engpässe zu identifizieren und Abwägungen zwischen Performanz und NFPs in der Produktentwicklungsphase zu treffen. Sie unterstützt Hersteller ihre Schaltungen so zu entwerfen, dass kein Leistungsverlust aufgrund spezifischer NFPs während der Lebensdauer eines Geräts im Betrieb auftritt.

Die vorgestellte Methode basiert auf einer leistungsfähigen mehrstufigen Simulation des Gesamtsystems, welche die Anwendung des Zielsystems berücksichtigt. Eine hohe Geschwindigkeit bei der Auswertung von NFPs wird durch die Verwendung einer neuartigen, abschnittsweisen Auswertetechnik erreicht, welche die Simulationszeit in Evaluierungsfenster (oder Auswertungsfenster) unterteilt und NFP Modelle einmal pro Fenster mittels partieller Linearisierung bewertet. Dieses abschnittsweise Bewertungsverfahren ist ein schneller und dennoch genauer Ersatz für die bisherige zyklengenaue NFP Auswertung. Um die gegenseitige Beeinflussung unterschiedlicher NFPs betrachten zu können, werden die NFP Modelle in einem gemeinsamen Evaluierungsframework integriert. Der Einfluss von positiven oder negativen Rückkopplungen zwischen verschiedenen NFPs wird dynamisch während der Simulationen berücksichtigt. Um eine realistische NFP Vorhersage zu treffen, basiert die Evaluierung statt auf der Analyse von Extremfällen auf dem Einsatz der Zielanwendung.

Die Beiträge dieser Arbeit können wie folgt zusammengefasst werden:

(1) Allgemeingültigkeit: Diese Arbeit schlägt eine ganzheitliche, skalierbare NFP Vorhersagemethode für mehrere, voneinander abhängiger NFPs vor. Simulation und Bewertung sind unabhängig von spezifischen NFPs und Modellen oder bestimmten Systemen. Darüber hinaus ermöglicht die vorgestellte Methode die Analyse mehrerer Designs und NFPs gleichzeitig. Sobald das System auf Transaktionsebene verfügbar ist, kann es für die NFP Abschätzung verwendet werden.

(2) Performanzgewinn: Die NFP berücksichtigende Simulation wird auf einer ebenenübergreifenden Plattform durchgeführt. Während Simulationen auf unterer Ebene zur Beschleunigung parallel ausgeführt werden, wird das Gesamtsystem stets auf der Transaktionsebene simuliert. Die komplette Systemsimulation wird immer auf Transaktionsebene dürchgeführt. Alle zu analysierenden NFPs können mit einem einzigen Simulationslauf abgeschätzt werden. Darüber hinaus kann die Auswertungsgeschwindigkeit durch das Vergrößern des Auswertungsfensters erhöht werden.

(3) Genauigkeit: Die Genauigkeit hängt von der Exaktheit des ausgewählten Modells und der Bewertungsmethode ab. Diese Arbeit stellt eine Methode für die Integration beliebiger Modelle auf niedriger Ebene in der Systemanalyse vor. Die geeignete Wahl eines Modells hängt von den Anforderungen an die Genauigkeit und Effizienz ab. Um die Auswertungsgenauigkeit von niedrigen Ebenen zu gewährleisten, werden die erforderlichen Messgrößen für eine abschnittsweise Bewertung ermittelt und durch Kalibrierung der Fenstergröße angepasst. Statistische oder Worst-Case Analysetechniken können im Fall von Eingebetteten Systemen mit festgelegten Applikationen pessimistische Ergebnisse liefern. Aus diesem Grund wird das Gesamtsystem zusammen mit der Zielapplikation und der entsprechenden Arbeitslast simuliert, um eine genauere Analyse spezifischer Applikationen zu erhalten.