一種基于在線學習的系統功耗優化的輕量級方法技術方案

一種基于在線學習的系統功耗優化的輕量級方法，步驟如下：1，程序編譯成目標代碼；2，啟動監控模塊,監控硬件事件；3，歸一化處理事件；4，建立系統功耗模型；5，設計不同的優化模式；6，設計值函數模塊；7，將功耗模型、懲罰因子和值函數模塊寫入代理模塊Agent中；8，設計軟件定時器，定時啟動步驟3和7；9，執行程序、步驟7和3，更新Agent；10，設置收斂性；11，根據Agent模塊的結果，轉到步驟2，從步驟3開始到運行完畢；通過以上步驟，對溫度，性能和功耗綜合協同考慮，使用輕量級機器學習算法搜索存在的優化空間，達到低功耗和合理性能要求的效果，解決了嵌入式設備等受限于電池影響工作時間的問題。

A lightweight method for system power optimization based on online learning

A lightweight step method, system power optimization based on online learning are as follows: 1, the program compiled into object code; 2, to start the monitoring module, monitoring hardware events; 3 normalized events; 4, establish the system power model; 5, optimize the different modes of design; 6, the design value of function module; 7. The power model, penalty factor and value function module written proxy module in Agent; 8, the design of software timer, timer start steps 3 and 7; 9, implementation procedures, steps 7 and 3, 10, set the update Agent; convergence; 11, according to the results of the Agent module, go to step 2, start from step 3 to run to completion; through the above steps, the temperature, power and performance of comprehensive coordination, the use of lightweight machine learning algorithm to search the optimization space of existence, to meet the requirements of low power consumption and reasonable performance, The problem that the embedded device is limited by the battery and the working time is solved.

【技術實現步驟摘要】
一種基于在線學習的系統功耗優化的輕量級方法
本專利技術提供一種基于在線學習的系統功耗優化的輕量級方法，它涉及嵌入式系統功耗優化
，尤其涉及一種針對嵌入式系統功耗優化和機器學習算法相結合的方法，該方法應用于嵌入式系統功耗優化和功耗估計之中，可以提高嵌入式系統的使用周期和性能。
技術介紹
嵌入式設備在日常生活中得到了越來越多的應用，更多的嵌入式終端和更廣泛的線上互聯使得嵌入式系統功耗成為設計者必須面對的問題，加之能源不足和環境保護的現狀，使的處理器功耗的問題受到越來越多的關注，低功耗已經成為了嵌入式處理器乃至每一種電子設備的重要指標，總體來說，處理器低功耗設計面臨如下挑戰：首先動態功耗和電壓是平方關系，電壓降低可以顯著降低動態功耗，導致了供電電壓在不斷降低，這會使的漏電功耗急劇增加，并且系統的穩定性和性能大幅下降。其次，隨著多核技術的出現，雖然在很大程度上減小了功耗密度的增加，但是總體功耗的增長一直在持續。功耗是處理器性能的一個最基本的電氣特性指標，其中一個非常重要的原因是隨著頻率的升高，功耗的升高伴隨著熱特性的變化，熱特性對處理器的材料和封裝會產生嚴重的制約和影響。SoC(系統芯片，SystemOnChip)中CMOS(互補金屬氧化物半導體，ComplementaryMetalOxideSemiconductor)電路功耗有：一是靜態功耗，主要是由靜態電流，漏電流等因素造成的；二是動態功耗，主要是電路中信號變換時造成的瞬態開路電路和負載電流等因素造成，它是SoC中功耗的主要來源。因此，解決好SoC中的動態功耗是降低整個SoC功耗的關鍵。這些底層的硬件功耗是由于軟件驅動產生，很多現行的低功耗設計并不能從系統整體上降低功耗，使得結合多個層次之間的功耗管理和優化技術逐步成為控制嵌入式系統功耗的重要手段。低功耗安全嵌入式處理器芯片研究目前還處于初級階段，存在很多沒有解決的問題，更缺乏一套完整的理論體系。硬件依賴于運行其上的軟件來實現其處理信息的功能,軟件本身不會產生功耗,但是軟件的數據存取和指令執行都會使硬件產生功耗。因此要降低功耗,必須從嵌入式硬件和軟件著手考慮如何進行功耗優化。設計者必須面對的問題是低功耗設計，嵌入式系統被廣泛應用于手提設備和移動產品中，所以設計者需要從每個細節考慮如何減少功耗，盡可能的延長電池的使用壽命。當前的一些低功耗設計的方法是在適當的環境中使用DC-DC電壓轉換電路可以提高電源效率，減少系統功耗；在CMOS設計電路的時候，使用較低的VDD，并使用盡可能低的時鐘頻率，以及cache來使內存讀取最小化，且配合使用休眠模式。超低功耗設計甚至可以允許嵌入式系統運行的時候不需要電池，僅僅依靠收集環境中的一些能量。此外，管理功耗是現在影響集成電路封裝及散熱的一個重要因素。嵌入式系統的價格，尺寸，重量以及可靠性全部取決于功耗。而微處理器功耗可以被分為兩大類，一類是塊級方法，一類是指令集方法，在塊級方法中，微處理器被我們認為是一個在運行的模塊集合，每一個模塊的特征項都影響著微處理器的功耗；在指令集方法中，平均分配每個微處理器的功率消耗用來使其達到功能。通過這種方法得到的結果要求盡量減少指令流以及實時數據。傳統的功耗優化是在各個層次之間獨立進行優化設計，由于這些底層的硬件功耗是由于軟件驅動產生，所以很多現行的單個層次低功耗設計并不能從系統整體上降低功耗，使得結合多個層次之間的功耗管理和優化技術逐步成為控制嵌入式系統功耗的重要手段。綜上所述，當前針對于嵌入式系統功耗優化方法還存在著以下一些問題：(1)常見的系統功耗優化都是從單個層次方面進行低功耗優化設計，由于功耗是由軟件驅動通過硬件產生的，單個層次的低功耗設計沒有考慮到其他層次影響功耗的因素，所以在降低系統整體功耗的能力有限；(2)對于建立多層次系統功耗模型方法，需要兼顧性能和功耗之間的相互影響關系，同時功耗模型適合不同的應用環境，缺乏在多個層次之上建立的具有魯棒性的系統功耗模型。(3)常見的機器學習具有收斂性和過擬合的缺點，不適合應用到系統功耗優化中，因為這樣的算法會加重系統運行的負載，頻繁的進行CPU計算和I/O調用會增加動態功耗，難以實現對整體的功耗降低。
技術實現思路
1.專利技術目的針對上述問題，本專利技術提供一種基于在線學習的系統功耗優化的輕量級方法。本方法將影響到靜態功耗和動態功耗的PVT等一些不確定性因素進行數學建模，通過分析功耗、性能和溫度之間存在的優化空間，以值函數和機器學習算法進行功耗優化，大幅減少了算法產生的系統負載，提高功耗優化模塊的自適應和魯棒性。對于不同的應用需求，通過修改值函數的懲罰項，設定兩種模式的優化策略，可以有效提高功耗優化模塊的魯棒性，提高功耗優化的粒度，實現系統功耗、性能和溫度之間精準優化。2.技術方案(1)準備工作：本專利技術所述的技術方案，其涉及到的公式規納并標序號說明如下：式中：cycles_l1i_stalled和cycles_l1d_stalled是指令和數據停止存取時的周期式中：IPC是InstructionperClock即每個周期的指令數ene＝(1-ρ)μf2β+ρ(1-μ)fβ+ρμfβ-1(3)式中：ρ是漏電功耗占總功耗百分率，μ是應用程序處在CPU計算的百分率，β是v(電壓)和f(時鐘)的比例關系第一種自由優化模式：pnlt＝wE*pnltE+wP*pnltP+wT*pnltT(6)式中：pnlt是懲罰因子，w是的常數，可由用戶設置；第二種受限優化模式：ifpnlt2≤con2+diff2andpnlt1≤con1+diff1then(10)pnlt＝pnlt_obj；ifpnlt2>con2+diff2andpnlt1≤con1+diff1then(11)pnlt＝pnlt_obj+c*pnlt2；ifpnlt2≤con2+diff2andpnlt1>con1+diff1then(12)pnlt＝pnlt_obj+c*pnlt1；ifotherwisepnlt＝pnlt_obj+c1*pnlt1+c2*pnlt2；(13)(2)技術方案如下具體來說，本專利技術提供了一種基于在線學習的系統功耗優化的輕量級方法，該方法包括步驟如下：步驟1，用戶源程序編譯、鏈接生成目標代碼；步驟2，在Linux操作系統平臺中，啟動內核監控和分析模塊比如有Perf(一種進行軟件性能分析的工具)等，利用該模塊監控硬件特性事件；步驟3，對系統事件進行預處理，主要是進行一些歸一化處理，得到一組特征參數向量；步驟4，針對溫度、性能和功耗聯合建立系統功耗模型，將計算得到的步驟3中得到的特征參數向量傳入到功耗模型中；步驟5，設計值函數中懲罰因子模塊，根據不同的懲罰因子的計算模式選擇不同的優化模式；步驟6，基于Q學習算法框架，設計值函數計算模塊；步驟7，基于Q學習算法和懲罰因子，設計代理模塊(Agent)，將功耗模型、懲罰因子和值函數模塊寫入到Agent模塊中；步驟8，設計軟件定時器，定時啟動步驟3和步驟7；步驟9，執行當前應用程序，然后執行步驟7，再執行步驟3，更新Agent模塊，通過該模塊中的值函數得到計算值；步驟10，收斂性設置，根據步驟9中得到的計算值，通過與性能、功耗和溫度的理想時鐘參數判斷，加速Agen本文檔來自技高網...

【技術保護點】
一種基于在線學習的系統功耗優化的輕量級方法，其特征在于：該方法包括步驟如下：步驟1，用戶源程序編譯、鏈接生成目標代碼；步驟2，在Linux操作系統平臺中，啟動內核監控和分析模塊，利用該模塊監控硬件特性事件；步驟3，對系統事件進行預處理，進行歸一化處理，得到一組特征參數向量；步驟4，針對溫度、性能和功耗聯合建立系統功耗模型，將計算得到的步驟3中得到的特征參數向量傳入到功耗模型中；步驟5，設計值函數中懲罰因子模塊，根據不同的懲罰因子的計算模式選擇不同的優化模式；步驟6，基于Q學習算法框架，設計值函數計算模塊；步驟7，基于Q學習算法和懲罰因子，設計代理模塊即Agent，將功耗模型、懲罰因子和值函數模塊寫入到Agent模塊中；步驟8，設計軟件定時器，定時啟動步驟3和步驟7；步驟9，執行當前應用程序，然后執行步驟7，再執行步驟3，更新Agent模塊，通過該模塊中的值函數得到計算值；步驟10，收斂性設置，根據步驟9中得到的計算值，通過與性能、功耗和溫度的理想時鐘參數判斷，加速Agent模塊輸出決策結果；步驟11，根據Agent模塊的決策結果，轉入執行步驟2，然后進入下一個周期的決策過程，從步驟3開始循環直到用戶程序運行完畢；通過以上步驟，通過對溫度，性能和功耗綜合協同考慮，使用輕量級機器學習算法搜索存在的優化空間，達到降低功耗和保證最低的性能要求的效果，解決了嵌入式設備受限于電池影響工作時間短的問題。...

【技術特征摘要】
1.一種基于在線學習的系統功耗優化的輕量級方法，其特征在于：該方法包括步驟如下：步驟1，用戶源程序編譯、鏈接生成目標代碼；步驟2，在Linux操作系統平臺中，啟動內核監控和分析模塊，利用該模塊監控硬件特性事件；步驟3，對系統事件進行預處理，進行歸一化處理，得到一組特征參數向量；步驟4，針對溫度、性能和功耗聯合建立系統功耗模型，將計算得到的步驟3中得到的特征參數向量傳入到功耗模型中；步驟5，設計值函數中懲罰因子模塊，根據不同的懲罰因子的計算模式選擇不同的優化模式；步驟6，基于Q學習算法框架，設計值函數計算模塊；步驟7，基于Q學習算法和懲罰因子，設計代理模塊即Agent，將功耗模型、懲罰因子和值函數模塊寫入到Agent模塊中；步驟8，設計軟件定時器，定時啟動步驟3和步驟7；步驟9，執行當前應用程序，然后執行步驟7，再執行步驟3，更新Agent模塊，通過該模塊中的值函數得到計算值；步驟10，收斂性設置，根據步驟9中得到的計算值，通過與性能、功耗和溫度的理想時鐘參數判斷，加速Agent模塊輸出決策結果；步驟11，根據Agent模塊的決策結果，轉入執行步驟2，然后進入下一個周期的決策過程，從步驟3開始循環直到用戶程序運行完畢；通過以上步驟，通過對溫度，性能和功耗綜合協同考慮，使用輕量級機器學習算法搜索存在的優化空間，達到降低功耗和保證最低的性能要求的效果，解決了嵌入式設備受限于電池影響工作時間短的問題。2.根據權利要求1所述的一種基于在線學習的系統功耗優化的輕量級方法，其特征在于：在步驟1中所述的“用戶源程序編譯、鏈接生成目標代碼”，其作法如下：它是通過gcc編譯工具將源代碼編譯成二進制文件。3.根據權利要求1所述的一種基于在線學習的系統功耗優化的輕量級方法，其特征在于：在步驟4中所述的“針對溫度、性能和功耗聯合建立系統功耗模型，將計算得到的步驟3中得到的特征參數向量傳入到功耗模型中”，在其作法的過程中，考慮到功耗、性能和溫度受不同的系統事件影響的程度不同，采用一些特定具有代表性的系統事件來進行建立模型，這樣既能降低功耗模型的復雜度又能充分的描述出系統功耗的狀態。4.根據權利要求1所述的一種基于在線學習的系統功耗優化的輕量級方法，其特征在于：在步驟5中所述的“設計值函數中懲罰因子模塊，根據不同的懲罰因子的計算模式選擇不同的優化模式”，在其作法的過程中，考慮到功耗模型中參數優化方式不一樣導致出懲罰因子的...

【專利技術屬性】
技術研發人員：王翔，李林，王維克，杜培，李明哲，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：北京,11