Track A: 컴퓨터 자원 이용률과 에너지 소비량 사이의 비선형성 분석

1. 트랙 목표

기존의 선형적 에너지 분리의 부정확함을 증명하고, 비선형적 에너지 소비 패턴을 더 잘 설명할 수 있는 메트릭을 제시한다.

2. 제안 내용

1)워크로드 특성에 따른 비선형적 전력 모델 수립
2)GEMM 교차 실험을 통한 하드웨어 아키텍처 효과 분리

3. 주요 기능

기능 아이디	기능 제목	기능 설명
R1	실험 전 환경 자동 검증	-워크로드 스크립트 존재 여부 및 Python 의존성 확인 -CPU와 GPU 통제 조건 검증 -계측 도구 가용성 확인
R2	실시간 매트릭 수집	-CPUdhk GPU 전력 수집 -CPU busy, GPU Utilization, /proc/stat 및 memory bandwidth utilization 측정
R3	실험 오케스트레이션	-온도 기반 idle 진입 판정 -CPU 중심 워크로드: taskset 코어 수 제한, 단일 노드 바인딩 -GPU 중심 워크로드: batch size 조절로 GPU SM 점유율 제어 -실험 사이클: Warm-up (측정 제외) -> 부하율별 워크로드 실행 -> Cool-down
R4	데이터 분석 및 시각화	총 6종의 그래프 생성

4. How to build, install and test

‼️환경 요구사항

• OS: Linux (Ubuntu 20.04 이상 권장)
• Python 3.8+
• CUDA가 지원되는 NVIDIA GPU
• nvidia-smi, perf, taskset 설치

#레포지토리 클론
git clone https://github.com/Team37-OptimusPrime/TrackA.git
cd TrackA

#Python 의존성 설치
pip install -r requirements.txt   # torch, pandas, matplotlib, scipy 등

#환경 검증 (R1)
python scripts/precheck.py

#전체 실험 실행 (R2+R3 통합 진입점)
python scripts/run_experiment.py

#분석 및 시각화 (R4)
python scripts/analyze_data.py

#결과 확인
ls figures_v4/   # 생성된 그래프 6종
ls results_v4/   # 원시 CSV 데이터

4-1.부가기능: watchdog.sh

장시간 실험 중 GPU 하드웨어를 보호하기 위해 실행. 이 스크립트는 nvidia-smi를 5초 간격으로 폴링하여 GPU 온도(상한 85°C)와 전력 소비(상한 260 W)를 감시하고, 어느 한쪽이라도 임계값에 도달하면 즉시 pkill로 워크로드 프로세스를 종료한 뒤 로그에 원인을 기록하고 스스로 종료한다.

# 새 세션 시작
tmux new-session -d -s exp

# 왼쪽 창: 실험 스크립트
tmux send-keys -t exp 'python run_experiment.py --workload all' Enter

# 오른쪽 창 분할
tmux split-window -h -t exp

# 오른쪽 창: watchdog
tmux send-keys -t exp 'bash watchdog.sh' Enter

# 세션 접속 (모니터링)
tmux attach -t exp

5. 소프트웨어 구조도

6. 기술블로그 및 기타 참고

기술블로그(TBD)
캡스톤 디자인 보고서