[论文解读] A Comprehensive and Accurate Energy Model for Arm's Cortex-M0 Processor

Kyriakos Georgiou, Zbigniew Chamski+2 more|arXiv (Cornell University)|Apr 2, 2021

Parallel Computing and Optimization Techniques参考文献 12被引用 5

一句话总结

本文提出了一种基于开源Thumbulator指令集模拟器的PMC（性能监控计数器）能量模型，适用于Arm Cortex-M0处理器，可在可配置的硬件设置（频率、预取、等待状态）下实现精确的静态与基于性能分析的能量估算。通过扩展Thumbulator模拟器以生成精确的执行统计信息，该模型在所有配置下的平均绝对百分比误差（MAPE）均低于5%，适用于边缘计算应用中的能量感知软件开发。

ABSTRACT

Energy modeling can enable energy-aware software development and assist the developer in meeting an application's energy budget. Although many energy models for embedded processors exist, most do not account for processor-specific configurations, neither are they suitable for static energy consumption estimation. This paper introduces a comprehensive energy model for Arm's Cortex-M0 processor, ready to support energy-aware development of edge computing applications using either profiling- or static-analysis-based energy consumption estimation. The model accounts for the Frequency, PreFetch, and WaitState processor configurations which all have a significant impact on the execution time and energy consumption of edge computing applications. All models have a prediction error of less than 5%.

研究动机与目标

• 为Cortex-M0等深度嵌入式处理器解决缺乏准确、配置感知能量模型的问题。
• 为受有限电池或能量采集资源约束的边缘计算应用提供能量感知软件开发支持。
• 通过建模处理器特定的配置参数，同时支持静态分析与基于性能分析的能量估算。
• 通过扩展开源指令集模拟器以生成类PMC的合成统计信息，克服Cortex-M0缺乏硬件性能监控计数器（PMCs）的限制。
• 开发一种可准确预测不同程序工作负载与硬件配置下能量消耗的模型。

提出的方法

• 扩展开源Thumbulator指令集模拟器，以模拟并收集Cortex-M0在频率、预取与等待状态等配置下的执行统计信息。
• 识别并选择一组在基本块级别具有静态可预测性且与实际能量消耗高度相关的性能事件（PMCs）。
• 采用10折交叉验证与R²评估方法验证模型的鲁棒性，防止过拟合，确保在多样化工作负载下的泛化能力。
• 应用回归分析，推导出每个选定性能事件的能量成本系数，实现在源代码级别的能量估算。
• 将所有可用数据整合至最终模型，以最大化精度并最小化方差，在所有折叠中实现高R²得分（平均约0.99）。
• 将模型与硬件能量测量结果进行验证，在所有配置下均实现低于5%的MAPE。

实验结果

研究问题

• RQ1 尽管Cortex-M0缺乏原生硬件PMCs，是否能够有效构建基于PMC的能量模型？
• RQ2 该模型在不同处理器配置（频率、预取、等待状态）下对能量消耗的估算精度如何？
• RQ3 该模型能否在高精度下同时支持静态分析与基于性能分析的能量估算？
• RQ4 硬件配置的变化在多大程度上影响不同性能事件的相对能量贡献？
• RQ5 该模型的系数是否可被利用以推断程序行为，从而构成侧信道攻击风险？

主要发现

• 与硬件能量测量相比，所提出的能量模型在所有测试配置下的平均绝对百分比误差（MAPE）低于5%。
• 该模型表现出高度鲁棒性，在所有10折交叉验证折叠中R²得分约为0.99，表明预测精度优异且方差极低。
• 该模型成功量化了关键处理器配置（频率、预取、等待状态）对执行时间和能量消耗的影响。
• 该模型支持在源代码级别实现精确的能量估算，适用于边缘计算应用中的静态分析与基于性能分析的估算。
• 该模型的系数在不同配置下变化显著，揭示了能量消耗模式可能泄露关于程序行为的信息，构成潜在的侧信道攻击向量。
• 该模型的早期版本已在静态能量估算场景中得到验证，证实其在真实开发工作流中的实际适用性。