[논문 리뷰] Data dependent energy modelling: A worst case perspective

James Pallister, Steve Kerrison외 2명|arXiv (Cornell University)|2015. 05. 13.

Green IT and Sustainability참고 문헌 28인용 수 7

한 줄 요약

이 논문은 지정된 데이터에 따라 에너지를 모델링하는 방법을 제안하며, 지정된 지시어 전이와 그들의 입력/출력 데이터 의존성 분석을 통해 임베디드 프로그램의 최악의 경우 에너지 소비를 예측한다. AVR 프로세서에서 유전 알고리즘과 확률 모델링을 사용하여, 무작위 데이터 분포를 통해 최악의 경우 에너지를 경계할 수 있음을 보여주며, 전이별 에너지 분포를 통해 지시어 시퀀스의 정확한 상한선을 제공한다.

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.

연구 동기 및 목표

• 모든 가능한 입력에 대해 프로그램의 최대 에너지 소비를 경계할 수 있는 측정 방법을 개발하기 위해.
• 입력 데이터가 지시어, 지시어 시퀀스, 프로그램 수준에서 에너지 소비에 어떻게 영향을 미치는지 이해하기 위해.
• 지시어 전이를 데이터 의존성 에너지 분포로 모델링하여 최악의 경우 추정을 정확하게 하기 위해.
• 무작위 데이터 또는 수작업으로 제작된 데이터 중 어느 것이 최악의 경우 에너지 소비 행동을 더 잘 드러내는지 평가하기 위해.
• 임베디드 소프트웨어를 위한 상한선 에너지 예측을 지원하는 확률적 프레임워크를 구축하기 위해.

제안 방법

• 두 개의 임베디드 벤치마크에 대해 무작위 및 수작업으로 제작된 입력 데이터를 사용하여 에너지 소비를 최대화하는 데에 유전 알고리즘을 사용하였다.
• 연속된 지시어 간의 전이를 데이터 의존성 분포로 모델링하여 지시어 수준의 에너지 소비를 분석하였다.
• AVR 지시어 세트의 몇몇 지시어에 대한 전이 에너지 분포를 특성화하였다.
• 지시어 전달 함수가 에너지 분포 형태에 미치는 영향을 탐색하여 이중모드 패턴을 식별하였다.
• 연속된 지시어의 입력/출력 값 쌍을 기반으로 한 확률 모델을 구성하여 에너지 소비의 상한선을 추정하였다.
• 무작위 데이터로부터 유도된 최악의 경우 추정치와 수작업으로 제작된 입력으로부터 유도된 추정치를 비교하여 모델의 예측 능력을 평가하였다.

실험 결과

연구 질문

• RQ1 지시어 전이의 데이터 기반 모델을 사용하여 프로그램의 최악의 경우 에너지 소비를 신뢰성 있게 예측할 수 있는가?
• RQ2 무작위 입력 데이터와 수작업으로 제작된 입력 데이터는 임베디드 프로그램의 최대 에너지 소비를 드러내는 데에서 어떻게 비교되는가?
• RQ3 입력 및 출력 값에 따라 달라지는 지시어 전이 역학은 에너지 소비 분포에 어느 정도의 영향을 미치는가?
• RQ4 전이 분포를 기반으로 한 확률 모델이 지시어 시퀀스의 유용한 상한선을 제공할 수 있는가?
• RQ5 특히 이중모드 행동과 같은 경우에서 지시어의 전달 함수는 에너지 분포를 형성하는 데 어떤 역할을 하는가?

주요 결과

• 무작위 입력 데이터로부터 생성된 에너지 분포로부터 프로그램의 최악의 경우 에너지 소비를 효과적으로 예측할 수 있었다.
• 수작업으로 제작된 데이터는 일반적으로 무작위 데이터보다 낮은 에너지 소비를 초래하여, 최악의 경우 행동이 항상 무작위 입력에 의해 유도되는 것은 아님을 시사한다.
• 지시어 전이가 에너지 변동에 크게 기여하며, 이를 데이터 의존성 분포로 모델링하면 예측 정확도가 향상된다.
• 한 예시에서 이중모드 에너지 분포가 관찰되어, 특정 지시어 전이가 입력 값에 따라 두 가지의 다른 에너지 소비 수준을 유도할 수 있음을 나타낸다.
• 입력/출력 전이를 기반으로 한 제안된 확률 모델은 지시어 시퀀스의 에너지 소비에 대해 실용적이고 분석 가능한 상한선을 제공한다.
• 전이 기반 에너지 모델은 단일 지시어 에너지 모델이 놓치는 중요한 의존성을 포착하여 더 정밀한 최악의 경우 추정을 가능하게 한다.