امروزه با بالا رفتن و پیشرفته شدن تکنولوژی ساخت تراشه ها، چگالی توان مصرفی نیز رو به افزایش است. افزایش چگالی توان مصرفی منجر به افزایش دما شده است که این افزایش دما بر روی کارایی، قابلیت اطمینان، هزینه، طول عمر قطعات و توان ناشی از جریان نشتی تأثیر منفی گذاشته است. برای حل چالش افزایش دمای پردازنده، در حالت کلی از دو روش استاتیک و پویا می توان استفاده کرد. روش استاتیک در زمان طراحی تراشه ها و روش پویا در زمان اجرای برنامه ها توسط تراشه می تواند مورد استفاده قرار بگیرد. تکنیک های مختلف مدیریت پویای دما با استفاده از روش هایی که پیش تر انجام شده است و تخمین دما به همراه زمان بندی و مهاجرت وظایف، تنظیم ولتاژ و فرکانس، تزریق نخ ها و یا چرخه های بیکار ارائه شده اند. در مدیریت پویا از انواع روش ها در حوزه های مختلف به طور مثال، روش های فراابتکاری، الگوریتم های ژنتیک و یادگیری ماشین استفاده می شود. در نهایت، برخلاف رویکرد استاتیک، در روش های پویا، دما پیش از رسیدن به حد آستانه با استفاده از مدل دمایی، پیش بینی و کنترل می شود. در این پژوهش، مدلی براساس ترکیب شبکه های CNN و LSTM پیشنهاد شده است. برای آموزش مدل، با استفاده از حسگرهای دمایی و شمارنده های کارایی موجود در داخل پردازنده، مجموعه داده ای شامل تنوع مناسبی از تغییرات دمایی جمع آوری شده است که برای جمع آوری این مجموعه داده ها یکبار از کدهای خودنوشته و یکبار هم از اجرای دیتاست مبتنی بر برنامه CPUSPEC2006 استفاده شده است. برای افزایش دقت مدل، داده های دیگری با نام های ویژگی های سابقه ای و ویژگی های کنترلی از ویژگی های موجود استخراج شده است. در انتها، مدل پیشنهادی برای پیش بینی دما برای فاصله های زمانی 2 تا 5 ثانیه، در شرایط مختلف ارزیابی شده است. نتایج نشان می دهد با انتخاب این ویژگی ها دمای دو ثانیه آینده با میانگین قدر مطلق خطای کمتر از یک درجه سانتی گراد پیش بینی می شود.
