[논문 리뷰] Sesame: Self-Constructive System Energy Modeling for Battery-Powered Mobile Systems

Mian Dong, Lin Zhong|arXiv (Cornell University)|2010. 12. 13.

Green IT and Sustainability참고 문헌 27인용 수 16

한 줄 요약

Sesame는 외부 도구 없이 스마트 배터리 인터페이스만을 사용하여 배터리 구동 모바일 기기에서 자율적으로 정확한 에너지 모델을 생성할 수 있는 자기구성 시스템 에너지 모델링 프레임워크를 제안한다. 1 Hz 추정에서 95%의 정확도, 100 Hz에서 88%의 정확도를 달성하여 실시간 최적화를 위한 세분화된 응용프로그램별 에너지 회계를 가능하게 한다.

ABSTRACT

System energy models are important for energy optimization and management in mobile systems. However, existing system energy models are built in lab with the help from a second computer. Not only are they labor-intensive; but also they will not adequately account for the great diversity in the hardware and usage of mobile systems. Moreover, existing system energy models are intended for energy estimation for time intervals of one second or longer; they do not provide the required rate for fine-grain use such as per-application energy accounting. In this work, we study a self-modeling paradigm in which a mobile system automatically generates its energy model without any external assistance. Our solution, Se-same, leverages the possibility of self power measurement through the smart battery interface and employs a suite of novel techniques to achieve accuracy and rate much higher than that of the smart battery interface. We report the implementation and evaluation of Se-same on a laptop and a smartphone. The experiment results show that Sesame generates system energy models of 95% accuracy at one estimation per second and 88% accuracy at one estimation per 10ms, without any external assistance. A five-day field studies with four laptop and four smartphones users further demonstrate the effectiveness, efficiency, and noninvasiveness of Sesame.

연구 동기 및 목표

• 외부 실험실 장비가 필요로 하며 세분화된 에너지 회계에 적합하지 않은 기존 시스템 에너지 모델의 한계를 해결하기 위해.
• 외부 컴퓨터나 측정 장비에 의존하지 않고도 모바일 시스템이 자율적으로 정확한 에너지 모델을 생성할 수 있도록 하기 위해.
• 응용프로그램별 에너지 모니터링 및 최적화를 위해 최소 10ms 간격의 고속 추정을 지원하기 위해.
• 다양한 모바일 하드웨어와 사용 패턴에 적용 가능한 비침습적이고 확장 가능한 솔루션을 개발하기 위해.
• 실세계 장기 현장 배포 환경에서 모델의 정확도와 실용성을 검증하기 위해.

제안 방법

• 외부 센서나 도구 없이도 기기 내부에서 전력 측정이 가능한 스마트 배터리 인터페이스를 활용한다.
• 원시적인 배터리 전압 및 전류 측정의 시간 해상도와 정확도를 향상시키기 위해 새로운 신호 처리 및 추정 기법을 적용한다.
• 시간이 지남에 따라 발생하는 배터리 노후화와 측정 오차를 보정하기 위해 자기 보정 및 적응형 필터링을 사용한다.
• 현장에서의 전력 측정 데이터로부터 동적 에너지 모델을 구축하기 위해 시스템 식별 기법을 적용한다.
• 운영 체제에 모델을 통합하여 실시간 응용프로그램별 에너지 회계를 가능하게 한다.
• 랩 테스트(노트북 및 스마트폰 기반)와 5일간의 현장 연구(8명의 사용자 참여)를 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 외부 장비나 도움 없이도 모바일 기기가 자율적으로 정확한 시스템 에너지 모델을 생성할 수 있는가?
• RQ2 스마트 배터리 인터페이스만을 사용할 경우 전력 측정에 대해 어떤 수준의 정확도와 시간 해상도를 달성할 수 있는가?
• RQ3 다양한 기기와 워크로드에서 실제 사용 환경에서 자기구성 모델의 성능은 어떠한가?
• RQ4 응용프로그램 수준의 에너지 모니터링을 위해 최소 10ms 간격의 세분화된 에너지 회계를 모델이 지원할 수 있는가?
• RQ5 장기적인 현장 배포에서 자기모델링 접근 방식은 얼마나 확장 가능하고 비침습적인가?

주요 결과

• Sesame는 1초당 한 번의 추정 속도에서 시스템 에너지 모델링에 대해 95%의 정확도를 달성한다.
• 고속 추정 속도인 10ms 간격에서도 시스템은 88%의 정확도를 유지하여 세분화된 에너지 모니터링을 가능하게 한다.
• 자기모델링 접근 방식은 비침습적이며 외부 도구나 실험실 설정이 필요 없어 실세계 배포에 실용적이다.
• 8명의 사용자(4대의 노트북과 4대의 스마트폰)를 대상으로 한 5일간의 현장 연구를 통해 다양한 기기와 사용 패턴에서 모델의 효과성과 강건성을 확인했다.
• 기존의 에너지 모델의 한계를 극복하여 기기 내부에서 자율적이고 고속이며 정확한 에너지 추정을 가능하게 했다.
• 스마트 배터리 인터페이스에 지능적인 신호 처리 기법을 적용할 경우, 이를 시스템 수준의 에너지 모델링에 신뢰할 수 있고 충분한 자료로 활용할 수 있음을 입증했다.