Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
| Autor: | CARVALHO, Sidartha Azevedo Lobo de |
|---|---|
| Přispěvatelé: | SILVA FILHO, Abel Guilhermino da |
| Jazyk: | portugalština |
| Rok vydání: | 2019 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFPE Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
| Popis: | SILVA FILHO, Abel Guilhermino da, também é conhecido em citações bibliográficas por: SILVA-FILHO, Abel Guilhermino da. FACEPE Sistemas embarcados e móveis executam diferentes tipos de aplicações que estimulam o hardware de maneira distinta, gerando cargas de processamento variáveis com o tempo. Uma redução no consumo de energia pode ser alcançada usando uma frequência de Unidade Central de Processamento ou Central Processing Unit (CPU) específica para cada tipo de carga de processamento. É necessário que a abordagem seja capaz de reduzir o consumo de energia a partir da adaptação às variações da carga de processamento, mesmo em um ambiente desconhecido. Por este problema, propomos um novo método para predizer a carga de processamento da CPU para dispositivos móveis com o diferencial da funcionalidade de detecção de mudanças na carga de processamento de forma autônoma, chamado de AEWMA-MSE. Além disso, um novo modelo de predição de potência, baseado no -Nearest Neighbor (-NN) para regressão, foi proposto e validado demonstrando um melhor balanceamento entre tempo de execução e precisão quando comparado à rede neural e modelos de regressão lineares. Após isso, o AEWMA-MSE e o modelo de predição de potência são integrados em um novo algoritmo para gerenciamento de energia, baseado em aprendizagem por reforço (-learning), que seleciona a frequência de CPU que minimiza o consumo de energia. A abordagem proposta foi validada utilizando simulação e medições reais com dois smartphones comerciais. A abordagem proposta demonstrou um melhoramento na função de custo do -learning que conseguiu atingir uma redução do consumo de energia, alcançando até 42% de economia, a depender da abordagem e benchmark em comparação. A abordagem proposta demonstrou cumprir as restrições de tempo e utilização de recursos necessários para os dispositivos móveis, além disso, provendo níveis significantes de economia energética. Embedded and mobile systems execute applications that exercise hardware differently depending on the computation task, generating time-varying workloads. Energy minimization can be reached by using the low-power CPU frequency for each workload. Identify an approach capable of reducing energy consumption from adaptation to workload variations, even in an unknown environment is necessary. We proposed a new method to predict the CPU workload called AEWMA-MSE and added new functionality to detect workload changes. Also, a new power model for mobile devices based on -NN algorithm for regression was proposed and validated proving to have a better trade-off between execution time and precision than neural networks and linear regression-based models. AEWMA-MSE and the proposed power model are integrated into a novel algorithm for energy management based on reinforcement learning (-learning) that suitably selects the appropriate CPU frequency based on workload predictions to minimize energy consumption. The proposed approach is validated through simulation and real measurement by using two commercial smartphones. Our proposal proved to have an improvement in the -learning cost function and can effectively minimize the energy consumption by up to 42% when compared to the already existing approaches. Our approach has demonstrated to have the restrictions of time and resources utilization required for mobile devices, besides that, providing significant levels of energy savings. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|