A lightweight step method, system power optimization based on online learning are as follows: 1, the program compiled into object code; 2, to start the monitoring module, monitoring hardware events; 3 normalized events; 4, establish the system power model; 5, optimize the different modes of design; 6, the design value of function module; 7. The power model, penalty factor and value function module written proxy module in Agent; 8, the design of software timer, timer start steps 3 and 7; 9, implementation procedures, steps 7 and 3, 10, set the update Agent; convergence; 11, according to the results of the Agent module, go to step 2, start from step 3 to run to completion; through the above steps, the temperature, power and performance of comprehensive coordination, the use of lightweight machine learning algorithm to search the optimization space of existence, to meet the requirements of low power consumption and reasonable performance, The problem that the embedded device is limited by the battery and the working time is solved.
【技术实现步骤摘要】
一种基于在线学习的系统功耗优化的轻量级方法
本专利技术提供一种基于在线学习的系统功耗优化的轻量级方法,它涉及嵌入式系统功耗优化
,尤其涉及一种针对嵌入式系统功耗优化和机器学习算法相结合的方法,该方法应用于嵌入式系统功耗优化和功耗估计之中,可以提高嵌入式系统的使用周期和性能。
技术介绍
嵌入式设备在日常生活中得到了越来越多的应用,更多的嵌入式终端和更广泛的线上互联使得嵌入式系统功耗成为设计者必须面对的问题,加之能源不足和环境保护的现状,使的处理器功耗的问题受到越来越多的关注,低功耗已经成为了嵌入式处理器乃至每一种电子设备的重要指标,总体来说,处理器低功耗设计面临如下挑战:首先动态功耗和电压是平方关系,电压降低可以显著降低动态功耗,导致了供电电压在不断降低,这会使的漏电功耗急剧增加,并且系统的稳定性和性能大幅下降。其次,随着多核技术的出现,虽然在很大程度上减小了功耗密度的增加,但是总体功耗的增长一直在持续。功耗是处理器性能的一个最基本的电气特性指标,其中一个非常重要的原因是随着频率的升高,功耗的升高伴随着热特性的变化,热特性对处理器的材料和封装会产生严重的制约和影响。SoC(系统芯片,SystemOnChip)中CMOS(互补金属氧化物半导体,ComplementaryMetalOxideSemiconductor)电路功耗有:一是静态功耗,主要是由静态电流,漏电流等因素造成的;二是动态功耗,主要是电路中信号变换时造成的瞬态开路电路和负载电流等因素造成,它是SoC中功耗的主要来源。因此,解决好SoC中的动态功耗是降低整个SoC功耗的关键。这些底层的硬件功 ...
【技术保护点】
一种基于在线学习的系统功耗优化的轻量级方法,其特征在于:该方法包括步骤如下:步骤1,用户源程序编译、链接生成目标代码;步骤2,在Linux操作系统平台中,启动内核监控和分析模块,利用该模块监控硬件特性事件;步骤3,对系统事件进行预处理,进行归一化处理,得到一组特征参数向量;步骤4,针对温度、性能和功耗联合建立系统功耗模型,将计算得到的步骤3中得到的特征参数向量传入到功耗模型中;步骤5,设计值函数中惩罚因子模块,根据不同的惩罚因子的计算模式选择不同的优化模式;步骤6,基于Q学习算法框架,设计值函数计算模块;步骤7,基于Q学习算法和惩罚因子,设计代理模块即Agent,将功耗模型、惩罚因子和值函数模块写入到Agent模块中;步骤8,设计软件定时器,定时启动步骤3和步骤7;步骤9,执行当前应用程序,然后执行步骤7,再执行步骤3,更新Agent模块,通过该模块中的值函数得到计算值;步骤10,收敛性设置,根据步骤9中得到的计算值,通过与性能、功耗和温度的理想时钟参数判断,加速Agent模块输出决策结果;步骤11,根据Agent模块的决策结果,转入执行步骤2,然后进入下一个周期的决策过程,从步骤3开 ...
【技术特征摘要】
1.一种基于在线学习的系统功耗优化的轻量级方法,其特征在于:该方法包括步骤如下:步骤1,用户源程序编译、链接生成目标代码;步骤2,在Linux操作系统平台中,启动内核监控和分析模块,利用该模块监控硬件特性事件;步骤3,对系统事件进行预处理,进行归一化处理,得到一组特征参数向量;步骤4,针对温度、性能和功耗联合建立系统功耗模型,将计算得到的步骤3中得到的特征参数向量传入到功耗模型中;步骤5,设计值函数中惩罚因子模块,根据不同的惩罚因子的计算模式选择不同的优化模式;步骤6,基于Q学习算法框架,设计值函数计算模块;步骤7,基于Q学习算法和惩罚因子,设计代理模块即Agent,将功耗模型、惩罚因子和值函数模块写入到Agent模块中;步骤8,设计软件定时器,定时启动步骤3和步骤7;步骤9,执行当前应用程序,然后执行步骤7,再执行步骤3,更新Agent模块,通过该模块中的值函数得到计算值;步骤10,收敛性设置,根据步骤9中得到的计算值,通过与性能、功耗和温度的理想时钟参数判断,加速Agent模块输出决策结果;步骤11,根据Agent模块的决策结果,转入执行步骤2,然后进入下一个周期的决策过程,从步骤3开始循环直到用户程序运行完毕;通过以上步骤,通过对温度,性能和功耗综合协同考虑,使用轻量级机器学习算法搜索存在的优化空间,达到降低功耗和保证最低的性能要求的效果,解决了嵌入式设备受限于电池影响工作时间短的问题。2.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法,其特征在于:在步骤1中所述的“用户源程序编译、链接生成目标代码”,其作法如下:它是通过gcc编译工具将源代码编译成二进制文件。3.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法,其特征在于:在步骤4中所述的“针对温度、性能和功耗联合建立系统功耗模型,将计算得到的步骤3中得到的特征参数向量传入到功耗模型中”,在其作法的过程中,考虑到功耗、性能和温度受不同的系统事件影响的程度不同,采用一些特定具有代表性的系统事件来进行建立模型,这样既能降低功耗模型的复杂度又能充分的描述出系统功耗的状态。4.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法,其特征在于:在步骤5中所述的“设计值函数中惩罚因子模块,根据不同的惩罚因子的计算模式选择不同的优化模式”,在其作法的过程中,考虑到功耗模型中参数优化方式不一样导致出惩罚因子的...
【专利技术属性】
技术研发人员:王翔,李林,王维克,杜培,李明哲,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。