智能移动终端的能耗模型研究

为分析智能手机的实时能耗,定位手机的高能耗组件,帮助用户了解手机的能耗去向,并针对性地采取节能措施,从华为手机Y518-T00入手,开发了一款基于安卓系统的应用。针对重要硬件组件(CPU、屏幕、Wi-Fi接口、音频、GPS),通过场景测试收集的数据进行拟合分析,构建了每个硬件组件对应的能耗模型,进一步得到了整机的能耗模型。针对CPU,提出了一种反馈调节的模式来控制其占用率,有效地测量出CPU在不同占用率和频率下的能耗特点,消除了CPU的运行给其他组件能耗分析带来的影响。最后,用常见的两款手机应用进行了测试。结果表明,该能耗模型的相对误差均低于7%,具有较好的精度,可用于了解手机能耗在硬件组件的分布情况。

智能移动终端能耗敏感行为分析

移动终端能耗敏感行为分析是手机能耗分析的重要组成部分,确定高能耗敏感行为及其影响因素能够为能耗优化提供帮助。本文通过软件和硬件检测相结合的方法,对iOS和Android平台的手机进行测试。软件层面上借助系统API获取手机电量,设计开发应用程序获取手机在不同运行场景下的能耗,通过对该能耗的分析获得关键硬件组件如屏幕、音频、网络接口的相关行为能耗,并确定关键性变量。硬件层面上通过NI my DAQ与计算机通信,实时获得手机电流并进一步计算出手机能耗,该测试结果进一步验证了软件层面能耗检测的有效性。最后,针对手机能耗敏感行为进行纵向比较排名,从而确定手机的高能耗敏感行为。

手机应用程序能耗的估计算法

针对智能手机的能耗进行建模,将手机能耗分为4个部分,分别是系统能耗、应用能耗、周期性跳变和白噪声,在此基础上,提出应用能耗的估计算法,分析应用能耗所包含的函数执行能耗,实现高能耗函数的代码定位。本文提出函数执行能耗的估计算法,主要包括系统能耗的估计、周期性跳变带来的噪声去除以及函数的平均功耗估计。在去除周期性跳变带来的噪声时,结合机器学习方法,提出基于DBSCAN的改进算法,通过扫参进行参数选取,实现数据集的聚类和去噪。通过对多台手机进行测试检验并与trace文件结合,实验结果表明本模型在应用能耗估计上的平均误差为5.58%,在函数执行功耗、代码段功耗计算上具有较好的精度和泛化能力。