[論文レビュー] Data dependent energy modelling: A worst case perspective

James Pallister, Steve Kerrison+2 more|arXiv (Cornell University)|May 13, 2015

Green IT and Sustainability参考文献 28被引用数 7

ひとこと要約

本稿では、命令遷移とその入出力データ依存関係を分析することで、埋め込みプログラムにおける最悪ケースのエネルギー消費を予測するデータ依存型エネルギーモデリング手法を提案する。AVRプロセッサを対象に遺伝的アルゴリズムと確率的モデリングを用いることで、ランダムなデータ分布を介して最悪ケースエネルギーを境界化できることを示し、遷移固有のエネルギー分布により命令列の正確な上界が得られることを明らかにする。

ABSTRACT

Energy consumption of the software running on a device has become increasingly important as a growing number of devices rely on batteries or other limited sources of power. Of particular interest is constructing a bounded measure of the energy consumption - the maximum energy a program could consume for any input given to it. We explore the effect of different data on the energy consumption of individual instructions, instruction sequences and full programs. The whole program energy consumption of two benchmarks is analysed over random and hand-crafted data, and maximized with genetic algorithms for two embedded processors. We find that the worst case can be predicted from the distribution created by the random data, however, hand-crafted data can often achieve lower energy consumption. A model is constructed that allows the worst case energy for a sequence of instructions to be predicted. This is based on the observation that the transition between instructions is important and thus is not a single energy cost - it is a distribution dependent on the input and output values of the two consecutive instructions. We characterise the transition distributions for several instructions in the AVR instruction set, and show that this gives a useful upper bound on the energy consumption. We explore the effect that the transfer function of the instruction has on the data, and give an example which leads to a bimodal energy distribution. Finally, we conclude that a probabilistic approach is appropriate for estimating the energy consumption of programs.

研究の動機と目的

• すべての可能な入力に対してプログラムの最大エネルギー消費量の境界付き測定値を開発すること。
• 入力データが命令レベル、シーケンスレベル、およびプログラムレベルでのエネルギー消費に与える影響を理解すること。
• 命令遷移をデータ依存型エネルギー分布としてモデル化し、正確な最悪ケース推定を可能とすること。
• ランダムデータと手作業で作成されたデータのどちらが、最悪ケースエネルギー行動をよりよく明らかにするかを評価すること。
• 埋め込みソフトウェアのエネルギー消費に対する上界予測を支援する確率的フレームワークを構築すること。

提案手法

• 2つの埋め込みベンチマークに対して、ランダムおよび手作業で作成された入力データを用いて、エネルギー消費量を最大化する遺伝的アルゴリズムを用いた。
• 連続する命令間の遷移をデータ依存型分布としてモデル化することで、命令レベルのエネルギー消費を分析した。
• AVR命令セット内の複数の命令について、遷移エネルギー分布を特徴づけた。
• 命令の転送関数がエネルギー分布の形状に与える影響を調査し、二峰性のパターンを同定した。
• 連続する命令の入出力値ペアに基づく確率的モデルを構築し、エネルギー消費の上界を推定した。
• ランダムデータから導かれた最悪ケース推定値と手作業で作成された入力からの推定値を比較することで、モデルの予測能力を評価した。

実験結果

リサーチクエスチョン

• RQ1 命令遷移のデータ駆動型モデルを用いることで、プログラムの最悪ケースエネルギー消費を信頼性高く予測できるか？
• RQ2 ランダム入力データと手作業で作成された入力データのどちらが、埋め込みプログラムの最大エネルギー消費をよりよく明らかにするか？
• RQ3 入力値および出力値に依存する命令遷移ダイナミクスが、エネルギー消費分布に及ぼす影響の程度はどの程度か？
• RQ4 遷移分布に基づく確率的モデルは、命令列のエネルギー消費に対して有用な上界を提供できるか？
• RQ5 命令の転送関数は、特に二峰性行動が見られる場合に、エネルギー分布の形状にどのような役割を果たすか？

主な発見

• 最悪ケースエネルギー消費は、ランダム入力データから生成されるエネルギー分布から効果的に予測可能である。
• 手作業で作成されたデータは、通常、ランダムデータよりも低いエネルギー消費を示すため、最悪ケース動作が常にランダム入力によって引き起こされるわけではないことが示唆される。
• 命令遷移はエネルギー変動に大きく寄与しており、それらをデータ依存型分布としてモデル化することで予測精度が向上する。
• ある例では二峰性エネルギー分布が観察され、特定の命令遷移が入力値に応じて2つの異なるエネルギー消費レベルを示す可能性があることが示された。
• 入出力遷移に基づく提案された確率的モデルは、命令列のエネルギー消費に対して有用で、解析可能な上界を提供する。
• 遷移ベースのエネルギーモデルは、単一命令のエネルギーモデルが見逃す重要な依存関係を捉えており、より正確な最悪ケース推定を可能にする。