[论文解读] 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 16

一句话总结

Sesame 提出了一种自构建系统能效建模框架，使电池供电的移动设备能够仅通过其智能电池接口，无需外部协助，自主生成精确的能效模型。该方法在 1 Hz 估计速率下达到 95% 的准确率，在 100 Hz 时达到 88% 的准确率，实现了对应用程序的细粒度能效计账，支持实时优化。

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.

研究动机与目标

• 解决现有系统能效模型依赖外部实验设备、不适用于细粒度能效计账的局限性。
• 使移动系统能够自主生成精确的能效模型，无需依赖外部计算机或仪器。
• 支持高采样率的能效估计（最低至 10ms 间隔），以实现应用程序级别的能效监控与优化。
• 开发一种非侵入式、可扩展的解决方案，适用于多种移动硬件和使用模式。
• 在真实世界、长期的现场部署中验证模型的准确性和实用性。

提出的方法

• 利用智能电池接口实现设备端的功耗测量，无需外部传感器或工具。
• 采用新颖的信号处理与估计技术，提升原始电池电压和电流测量的时间分辨率与准确性。
• 通过自校准和自适应滤波技术，校正电池老化和随时间推移的测量漂移。
• 应用系统辨识技术，基于现场功耗测量构建动态能效模型。
• 将模型集成到操作系统中，实现对应用程序的实时、细粒度能效计账。
• 通过在笔记本电脑和智能手机上进行的实验室测试，以及为期五天的用户现场研究，对模型进行验证。

实验结果

研究问题

• RQ1 移动设备能否在无外部仪器或协助的情况下，自主生成精确的系统能效模型？
• RQ2 仅使用智能电池接口进行功耗测量时，能达到怎样的准确率和时间分辨率？
• RQ3 该自构建模型在真实使用环境下，对多种设备和工作负载的表现如何？
• RQ4 该模型能否支持最低至 10ms 间隔的细粒度能效计账，以实现应用程序级别的能效监控？
• RQ5 该自建模方法在长期现场部署中是否具备良好的可扩展性和非侵入性？

主要发现

• Sesame 在每秒一次估计速率下，系统能效建模准确率达到 95%。
• 即使在每 10 毫秒一次的高估计算速率下，系统仍保持 88% 的准确率，支持细粒度能效监控。
• 自建模方法具有非侵入性，无需外部工具或实验环境搭建，适用于真实世界部署。
• 为期五天的现场研究（共八名用户，四台笔记本电脑和四部智能手机）证实了该模型在多种设备和使用模式下的有效性与鲁棒性。
• 该方法成功克服了传统能效模型的局限，实现了设备端自主、高采样率、高精度的能效估计。
• 结果表明，通过智能信号处理增强后，智能电池接口可作为系统级能效建模的可靠且充分的信源。