An Application Analysis Tool for Cross-Device Energy Consumption Estimation

Abstract

Η συνεχώς αυξανόμενη κατανάλωση ενεργειακών πόρων οδηγούν στην έρευνα και ανάπτυξη τεχνολογιών που είναι ενεργειακά βιώσιμες. Οι συσκευές χαμηλής ενεργειακής κατανάλωσης βρίσκονται στο επίκεντρο ενός μεγάλου τεχνολογικού φάσματος. Η ανάπτυξη του Διαδικτύου των Πραγμάτων (Internet of Things), των Ενσωματωμένων Συστημάτων (Embedded Systems), καθώς και της Μηχανικής Μάθησης (Machine Learning) μπορόυν να βοηθήσουν στην σχεδίαση λογισμικού με έναν πιο αποδοτικό ενεργειακά τρόπο. Προς αυτή την κατεύθυνση, το πεδίο της εκτίμησης ενέργειας συνεχώς απασχολεί περισσότερους ερευνητές. Σε αυτή την διπλωματική εργασία, στοχεύουμε στην πράσινη σχεδίαση λογι- σμικού και πιο ιδιαίτερα στην ενεργειακά βιώσιμη σχεδίαση κώδικα. Προτείνουμε έναν τρόπο χρήσης της Μηχανικής Μάθησης για να προβλέψουμε δυναμικά την κατανάλωση ενέργειας C προγραμμάτων μικρής και μεσαίας ενεργειακής τάξης. Για τη διαδικασία της εκπαίδευσης του μοντέλου δημιουργήθηκαν 700 κώδικες με το χαρακτηριστικό της πολυπλοκότητας βρόχου. Αυτοί οι 700 κωδικοί εκπαίδευ- σης περνούν από τέσσερις profilers , οι οποίοι συλλέγουν πληροφορίες σχετικά με τους κώδικες, με την πλειοψηφία αυτών να αποτελούν πληροφορίες διαχείρισης μνήμης. Μετά τη δημιουργία, λοιπόν, ενός training dataset που αποτελείται από 700 κώδικες και 141 χαρακτηριστικά για τον καθένα, η κατανάλωση ενέργειας αυ- τών των 700 προγραμμάτων μετράται στην πλατφόρμα ανάπτυξης του εργαστηρίου χρησιμοποιώντας έναν αισθητήρα ισχύος. Στη συνέχεια, διαχωρίζοντας αυτά τα δεδομένα σε 80% train και 20% test και πραγματοποιείται σύγκριση μεταξύ με- ρικών αλγορίθμων. Το αποτέλεσμα αυτής ανέδειξε τον αλγόριθμο Lasso ως τον καταλληλότερο για την εργασία αυτή. ΄Ετσι, ένα βασισμένο στον Lasso μοντέλο regression περνά από μια διαδικασία βελτιστοποίησης παραμέτρων και στη συνέχεια εκπαιδεύεται από αυτά τα δεδομένα. Παράλληλα, υπάρχει μια ανάλυση της σημα- ντικότητας των χαρακτηριστικών των προγραμμάτων, συγκρίνοντας τους συντε- λεστές του αλγορίθμου Lasso με τα αποτελέσματα ενός τεστ συσχέτισης μεταξύ των χαρακτηριστικών. Στη συνέχεια, αξιολογούμε την ακρίβεια της πρόβλεψης δοκιμάζοντας 56 προγράμματα από το PolyBench Suite. Αυτά τα προγράμματα περνούν από τους profilers και ύστερα μετράται η ενέργεια που καταναλώνουν. Επομένως η αξιολόγηση βασίζεται στη σύγκριση μεταξύ των πραγματικών και των προβλεπόμενων ενεργειακών τιμών. Τα αποτελέσματα είναι πολύ ενθαρρυντικά, καθώς επιτυγχάνουμε R 2 score ακρίβειας 0,960387, η οποία είναι συγκρίσιμη με παρόμοιες προσεγγίσεις εκτίμησης ενέργειας.