本文關(guān)鍵詞：基于DVFS技術(shù)的ARM安卓應(yīng)用功耗實(shí)測(cè)與模型構(gòu)建，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著電子信息技術(shù)的迅速發(fā)展,嵌入式處理器的架構(gòu)復(fù)雜度與硬件性能不斷提高,功耗問題也日益顯著。對(duì)于以智能手機(jī)為代表的移動(dòng)設(shè)備而言,過高的功率消耗必然會(huì)縮短待機(jī)時(shí)間,嚴(yán)重影響用戶體驗(yàn)。另一方面,Android系統(tǒng)因其強(qiáng)大的功能和開源特性已經(jīng)成為移動(dòng)平臺(tái)上的主流操作系統(tǒng),所以在Android的應(yīng)用場(chǎng)景中進(jìn)行嵌入式處理器的功耗研究是十分必要的。本文建立了基于人工神經(jīng)網(wǎng)絡(luò)的處理器功耗模型,旨在不增加硬件測(cè)量設(shè)備的情況下實(shí)現(xiàn)處理器動(dòng)態(tài)功耗預(yù)測(cè)。該模型以相關(guān)的性能事件發(fā)生的次數(shù)為輸入,以處理器預(yù)測(cè)功耗為輸出,本文通過實(shí)測(cè)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò),并得到擬合后二者之間的定量關(guān)系。本文首先用斯皮爾曼相關(guān)系數(shù)對(duì)性能事件進(jìn)行篩選,選取與功耗最相關(guān)的性能事件作為模型的輸入?yún)?shù),然后對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行設(shè)計(jì),確定了網(wǎng)絡(luò)層數(shù)、各層節(jié)點(diǎn)數(shù)和訓(xùn)練方法等參數(shù),最后通過實(shí)測(cè)功耗采樣數(shù)據(jù)完成對(duì)模型的訓(xùn)練。對(duì)于電壓與頻率動(dòng)態(tài)調(diào)節(jié)所帶來的處理器功耗表現(xiàn)的改變,本文采用分段函數(shù)的思想,為每一種電壓與頻率都建立起了相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。本文選取了包括微信、百度地圖、360手機(jī)衛(wèi)士在內(nèi)的8種典型Android應(yīng)用對(duì)模型的精度進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,以處理器實(shí)測(cè)的功耗為基準(zhǔn),基于神經(jīng)網(wǎng)絡(luò)的功耗模型最大平均相對(duì)誤差為13,1%,最小為10%,可以較好的預(yù)測(cè)處理器的功耗表現(xiàn)。
【關(guān)鍵詞】：處理器功耗 神經(jīng)網(wǎng)絡(luò) 性能監(jiān)測(cè)單元 Android 相關(guān)系數(shù)
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP332;TP183
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-13
• 1.1 背景與意義9-10
• 1.2 研究?jī)?nèi)容及目標(biāo)10-11
• 1.3 論文組織11-13
• 第二章 處理器功耗建模概述13-25
• 2.1 處理器功耗組成13-16
• 2.1.1 開關(guān)功耗13-14
• 2.1.2 短路功耗14-15
• 2.1.3 漏電功耗15-16
• 2.2 結(jié)構(gòu)級(jí)功耗模型16-17
• 2.3 基于性能事件的功耗模型17-20
• 2.3.1 基于模塊劃分的功耗模型17-18
• 2.3.2 基于少量性能事件的功耗模型18-20
• 2.4 采用人工神經(jīng)網(wǎng)絡(luò)建立處理器功耗模型20-23
• 2.4.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介21-22
• 2.4.2 功耗建模的總體方案設(shè)計(jì)22-23
• 2.5 本章小結(jié)23-25
• 第三章 功耗與性能事件數(shù)據(jù)的采集25-37
• 3.1 功耗數(shù)據(jù)的采集25-27
• 3.2 性能事件數(shù)據(jù)的采集27-32
• 3.2.1 性能監(jiān)測(cè)單元PMU27-30
• 3.2.2 Peff簡(jiǎn)介30
• 3.2.3 Perf的使用30-32
• 3.3 數(shù)據(jù)采樣方案設(shè)計(jì)32-36
• 3.4 本章小結(jié)36-37
• 第四章 基于神經(jīng)網(wǎng)絡(luò)的處理器功耗模型的實(shí)現(xiàn)37-51
• 4.1 BP神經(jīng)網(wǎng)絡(luò)原理37-41
• 4.2 功耗模型輸入?yún)?shù)的選取41-47
• 4.2.1 斯皮爾曼相關(guān)系數(shù)41-44
• 4.2.2 性能事件的選取44-47
• 4.3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)47-49
• 4.4 BP神經(jīng)網(wǎng)絡(luò)模型的matlab實(shí)現(xiàn)49-50
• 4.5 本章小結(jié)50-51
• 第五章 實(shí)驗(yàn)結(jié)果與分析51-59
• 5.1 實(shí)驗(yàn)的軟硬件平臺(tái)51-53
• 5.1.1 實(shí)驗(yàn)的硬件平臺(tái)51-52
• 5.1.2 實(shí)驗(yàn)的軟件平臺(tái)52-53
• 5.2 模型的精度驗(yàn)證53-56
• 5.2.1 不同比例訓(xùn)練數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型精度的影響53-54
• 5.2.2 針對(duì)安兔兔評(píng)測(cè)的模型精度54-55
• 5.2.3 針對(duì)典型Android應(yīng)用的模型精度55-56
• 5.3 與線性擬合模型的精度對(duì)比56-58
• 5.4 本章小結(jié)58-59
• 第六章 總結(jié)與展望59-61
• 6.1 總結(jié)59
• 6.2 展望59-61
• 致謝61-63
• 參考文獻(xiàn)63-64

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前3條

1 蘇紀(jì)娟;孟祥玲;朱慶明;;系統(tǒng)芯片技術(shù)國(guó)內(nèi)外發(fā)展現(xiàn)狀[J];軍民兩用技術(shù)與產(chǎn)品;2015年13期

2 徐恒陽;安虹;劉玉;周偉;;Perf在龍芯2F上的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)工程;2011年19期

3 鐘譚衛(wèi);神經(jīng)網(wǎng)絡(luò)中的多維MP模型[J];華南農(nóng)業(yè)大學(xué)學(xué)報(bào);2004年02期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 胡妍;結(jié)合結(jié)構(gòu)級(jí)和門級(jí)的多核處理器功耗評(píng)估方法[D];湖南大學(xué);2013年

2 李博;嵌入式處理器性能計(jì)數(shù)器應(yīng)用研究[D];西安電子科技大學(xué);2013年

3 黃麗;BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D];重慶師范大學(xué);2008年

  本文關(guān)鍵詞：基于DVFS技術(shù)的ARM安卓應(yīng)用功耗實(shí)測(cè)與模型構(gòu)建，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：292757