[論文レビュー] Sesame: Self-Constructive System Energy Modeling for Battery-Powered Mobile Systems

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

Green IT and Sustainability参考文献 27被引用数 16

ひとこと要約

Sesame は、外部支援なしにスマートバッテリインターフェースのみを用いて、バッテリ駆動のモバイルデバイスが自律的かつ正確にエネルギー モデルを生成できる自己構築型システムエネルギー モデリング フレームワークを提案する。1 Hz の推定で95%の正確性、100 Hz で88%の正確性を達成し、リアルタイム最適化に適した細分化されたアプリケーション別エネルギー会計を可能にする。

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.

研究の動機と目的

• 外部ラボ機器を必要とする従来のシステムエネルギー モデルの限界を是正すること。
• 外部コンピュータや計測機器に依存せずに、モバイルシステムが自律的に正確なエネルギー モデルを生成できることを実現すること。
• 10ms の間隔まで細分化されたエネルギー推定（高レート推定）を可能とし、アプリケーション単位のエネルギー監視と最適化を支援すること。
• 多様なモバイルハードウェアや使用パターンに適用可能な非侵襲的かつスケーラブルなソリューションを開発すること。
• 実世界での長期的現地導入において、モデルの正確性と実用性を検証すること。

提案手法

• 外部センサーやツールを一切不要とせず、スマートバッテリインターフェースを活用してデバイス内での電力測定を可能にする。
• 新規の信号処理および推定技術を採用し、原始的なバッテリ電圧および電流測定値の時間分解能と正確性を向上させる。
• 自己キャリブレーションおよび適応フィルタリングを用いて、時間経過に伴うバッテリの劣化や測定のずれを補正する。
• 現場での電力測定値から動的エネルギー モデルを構築するために、システム同定技術を適用する。
• モデルをオペレーティング システムに統合し、リアルタイムかつアプリケーション別エネルギー会計を可能にする。
• ラップトップおよびスマートフォンでのラボテストと、8名のユーザーによる5日間のフィールドスタディを通じて、モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 モバイルデバイスは、外部計測機器や支援なしに、正確なシステムエネルギー モデルを自律的に生成できるか？
• RQ2 スマートバッテリインターフェースのみを用いて電力測定を行う場合、どの程度の正確性と時間分解能が達成可能か？
• RQ3 多様なデバイスやワークロードにおいて、実世界の使用状況下で自己構築モデルはどの程度の性能を示すか？
• RQ4 10ms の間隔まで細分化されたエネルギー会計が、アプリケーションレベルのエネルギー監視に可能か？
• RQ5 長期的な現地導入において、自己モデル化アプローチはどの程度スケーラブルで非侵襲的か？

主な発見

• Sesame は、1秒間に1回の推定レートでエネルギー消費を推定する際、95%の正確性を達成する。
• 10ミリ秒ごとの高い推定レート（100 Hz）でも、88%の正確性を維持でき、細分化されたエネルギー監視を可能にする。
• 自己モデル化アプローチは非侵襲的であり、外部ツールやラボ環境のセットアップを一切不要としており、実世界での導入に実用的である。
• 8名のユーザー（4台のラップトップと4台のスマートフォン）を対象とした5日間のフィールドスタディにより、多様なデバイスや使用パターンにおいてモデルの有効性と頑健性が確認された。
• 本手法により、従来のエネルギー モデルの限界を克服し、デバイス内での自律的かつ高レートかつ正確なエネルギー推定が可能になった。
• 結果として、知的な信号処理を施したスマートバッテリインターフェースが、システムレベルのエネルギー モデリングに信頼性があり十分な情報源として機能できることを示した。