CN101937266A - 一种基于嵌入式系统的无线网卡动态电源管理方法 - Google Patents

Abstract

本发明提供了一种基于嵌入式系统的无线网卡动态电源管理方法，包括四个步骤：1)对无线网卡的使用状态进行划分，包括第一状态Active，表示无线网卡忙于收发数据，第二状态Standby/Waiting，表示无线网卡没有收发数据，但无线信号发射器未断电，第三状态Sleep，表示无线网卡的无线信号发射器断电，但其他耗电单元仍工作，第四状态Off，表示无线网卡的所有耗电单元都处于断电状态，第五状态Idle，表示无线网卡在Standby与Sleep状态间定期转换；2)通过对嵌入式系统内核的操作实现无线网卡的负载检测；3)根据步骤2)所获得的负载情况实现无线网卡的状态转换；4)采用半马尔科夫模型对无线网卡动态电源管理进行优化。

Description

一种基于嵌入式系统的无线网卡动态电源管理方法

技术领域

本发明属于嵌入式系统的动态电源管理技术领域，特别是涉及一种基于嵌入式系统的无线网卡动态电源管理方法。

背景技术

近年来，随着嵌入式技术的迅速发展，嵌入式设备得到了广泛的应用，在给人们日常生活提供便利的同时也暴露了一些缺陷和不足。能量消耗问题是嵌入式系统设计中普遍关注的重点与热点。

针对嵌入式系统不同的系统部件，业界已提出多种电源管理技术，例如CPU调频技术。随着无线技术的进步，无线通信在嵌入式系统中变得越来越重要。换句话说，无线网卡的能耗在嵌入式系统总能耗中占有较大的比重。研究测试表明，无线网卡能量消耗占系统总能耗的35％，因此，降低无线网卡的能量消耗对于整个系统来说意义重大。

动态电源管理(Dynamic Power Management，DPM)是实现低功耗的主要技术，设备通常具有不同的能量消耗等级，在运行过程中，在满足一定性能约束条件下，DPM通过观察设备负载将设备动态的切换到不同的能耗状态的方法来达到节省设备能耗的目的，例如，设备空闲(Idle)时，采用某种策略将设备转入能耗更低的状态(Standby)。DPM能解决无线网卡的能耗问题：当无线网卡不工作时，关闭无线网卡，从而达到省电的目的。

目前国外关于无线网卡DPM的研究主要集中在DPM算法的理论研究，对于算法在具体实现涉及得比较少；国内对DPM的研究实现大多以CPU、磁盘作为研究对象，对于无线网卡DPM的研究几乎没有。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于嵌入式系统的无线网卡动态电源管理方法。

为了实现上述发明目的，采用的技术方案如下：

一种基于嵌入式系统的无线网卡动态电源管理方法，包括如下三个步骤：

1)对无线网卡的使用状态进行划分，包括第一状态Active，表示无线网卡忙于收发数据，第二状态Standby/Waiting，表示无线网卡没有收发数据，但无线信号发射器未断电，第三状态Sleep，表示无线网卡的无线信号发射器断电，但其他耗电单元仍工作，第四状态Off，表示无线网卡的所有耗电单元都处于断电状态，第五状态Idle，表示无线网卡在Standby与Sleep状态间定期转换；

2)通过对嵌入式系统内核的操作实现无线网卡的负载检测；

3)根据步骤2)所获得的负载情况实现无线网卡的状态转换；

4)采用半马尔科夫模型对无线网卡动态电源管理进行优化。

上述技术方案中，所述步骤2)通过在嵌入式系统获取无线网卡的net_device结构实现无线网卡的负载检测，具体在Linux系统下通过如下两种方式获得net_device结构：

一是通过搜索维护网络设备的全局链表dev_base；

二是通过无线网卡驱动程序接口的方式。

所述步骤3)实现的状态转换包括从Standby状态到Off状态，以及从Off状态到Active状态，具体在Linux系统下通过无线网卡驱动中提供的接口与对无线网卡相关标识位的操作实现无线网卡的关闭与开启，从而实现无线网卡的状态转换，所涉及的接口包括第一接口CheckMode，表示查询无线网卡所处的状态，返回0表示无线网卡处于Off状态，返回1表示无线网卡不处于Off状态，第二接口On，表示将无线网卡唤醒，第三接口Off，表示将无线网卡关闭。

所述步骤4)将电源管理问题建模成半马尔可夫过程，半马尔可夫模型表达式的定义如下：

F(ti|si，ai)：表示在状态si时发出命令ai，在ti结束之前有事件发生的概率分布；

p(s(i+1)|si，ai，ti)：表示在状态si时发出命令ai，在ti结束之前有事件发生的条件下，系统转换到状态s(i+1)的概率；

m(j|s，a)：表示在状态s时发出命令a，系统转换到状态j的概率，

y(s，a)：表示在状态s时发出命令a，处于状态s的期望时间，

cost(s，a)：表示在s时发出命令a的平均代价，包括能耗代价和性能损耗代价，

其中k(si，ai)表示在状态si时发出命令ai的固定代价，c(s(i+1)，si，ai)表示在状态si时发出命令ai，接下来的状态是s(i+1)的代价率，Si+1是si有可能转化到的状态的集合；

对性能约束和能耗约束下的最优化策略的求解等价于对下面式子的求解：

$\min \underset{s\∈S}{\mathrm{\Σ}}\underset{a\∉A}{\mathrm{\Σ}}\cos t_{\mathrm{energy}}(s,a)f(s,a)$

$s.t.\underset{a\∈A}{\mathrm{\Σ}}f(s,a)-\underset{s^{\′}\∈S}{\mathrm{\Σ}}\underset{a\∈A}{\mathrm{\Σ}}m\left(s\right|s^{\′},a)f(s^{\′},a)=0$

$\underset{s\∈S}{\mathrm{\Σ}}\underset{a\∈A}{\mathrm{\Σ}}y(s,a)f(s,a)=1$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}\cos t_{\mathrm{perf}}(s,a)f(s,a)<\mathrm{constraint}$

其中f(s，a)是未知数，表示在状态s时发出命令的频率，该公式的求解是在一定性能损耗的约束下，使得能耗最小的策略，公式中两个cost(s，a)因对称性交换位置，就变成求解在一定能量消耗的约束下，使得性能损耗最小的策略；

则在状态s时发出命令a的概率为： $x(s_i,a_i)=\frac{f(s_i,a_i)}{\underset{a_i\&Element;A}{\mathrm{\&Sigma;}}f(s_i,a_i)},$

根据系统在状态s时发出各个命令的概率大小，选择概率最大的那个命令；

根据半马尔科夫模型，得出的优化策略如下表所示：

本发明通过分析国内外对DPM研究的现状以及缺漏，针对无线网卡的动态电源管理进行了研究。在已有的DPM框架的基础上进行扩展，将无线网卡负载检测、设备驱动、策略优化等加入到DPM框架中，具体对无线网卡的状态进行划分，并提出通过系统内核无线网卡相关驱动结构的操作来实现无线网卡负载的检测与状态转换，然后提供了DPM经典策略优化算法，已提出了完整的行之有效的一种基于嵌入式系统的无线网卡动态电源管理方法。

附图说明

图1为本发明的实施流程图；

图2为无线网卡状态转换模型示意图；

图3默认运行下无线网卡状态变化曲线图；

图4固定Timeout算法下无线网卡状态变化曲线图；

图5自适应Timeout算法下无线网卡状态变化曲线图；

图6预测算法下无线网卡状态变化曲线图；

图7更新理论模型下无线网卡状态变化曲线图；

图8半马尔科夫模型下无线网卡状态变化曲线图。

具体实施方式

下面结合附图对本发明做进一步的说明。

本发明的实施过程如附图1所示，包括1)对无线网卡的使用状态进行划分；2)实现无线网卡的负载检测；3)实现无线网卡的状态转换；4)对无线网卡动态电源管理进行优化等四个步骤。

所述无线网卡状态划分具体如下：

以CISCO AIRONET 340系列无线网卡为例，状态设计如下表所示：

所述无线网卡的状态转换如附图2所示，本实施例研究的是采取策略决策实现无线网卡保持在Standby状态或将网卡关闭。如果网卡维持在Standby状态，网卡将在第一个用户请求到达时转入Active状态。如果策略决定将网卡关闭，系统将进入一个处于Standby和Off之间的转换状态，最终转入到Off状态。事实上系统转入到Off状态是需要一定时间的，如果在转换过程中有用户请求产生，系统将在转入到off状态后立刻跳转到Transition to Active状态。如果转入Off状态过程中无用户请求产生，网卡将转入到Off状态。当用户请求产生时，网卡间转回Active状态。这个转换过程当然需要一定的时间，将这一过程定义为Transition to Active状态。一旦网卡转入Active状态，网卡将接收来自外界的数据(Receive)或向外界发送数据(Transmit)。在没用用户请求产生时，网卡将再次转入Standby状态。

本发明主要是在现有的DPM框架中通过改进实现对无线网卡的动态电源管理，以及在Linux系统下的有效实现。

Linux内核中用一个net_device结构表示一个网络设备，net_device结构位于网络驱动程序层的最核心地位。内核为所有的网络设备维护一个链表，每次检测到新的网络设备，就往全局链表插入这样一个结构。分析net_device结构，大致包含如下信息：全局信息，包括设备名、设备状态、全局链表下一个指针以及初始化函数等；硬件信息，包括内存信息，I/O地址，中断号及端口信息等；接口信息，包括设置设备的启动，关闭，广播等；设备方法，包括打开，停止，传输等。

获取无线网卡的net_device结构在Linux下的实现有两种方式：一是通过搜索维护网络设备的全局链表dev_base；二是通过无线网卡驱动程序接口的方式。下面分别介绍这两种方式。

搜索全局链表dev_base方式为：内核每次检测到新的设备注册时，将会将设备的net_device结构插入到一个全局链表中，该链表表头为dev_base。由此，通过访问dev_base就可以遍历到系统中的所有网络设备，而每一个网络设备接口都有一个net_device结构来表示。

通过无线网卡驱动程序接口方式：驱动程序提供了四个接口用于获取网络设备的net_device结构，接口原型如下：

通过设备名称获取：struct net_device*dev_get_by_name(const char*)；

通过设备索引号获取：struct net_device*dev_get_by_index(int)；

通过设备硬件地址获取：struct net_device*dev_getbyhwaddr(unsigned short，char*)；

通过设备标识获取：struct net_device*dev_get_by_flags(unsigned short，unsigned short)。

在linux下获取无线网卡负载的方法。无线网卡负载由无线网卡发送数据与接收数据所决定，因此采集无线网卡收发数据量对于分析用户的行为非常关键。

分析Linux中无线网卡驱动中数据的收发过程，发现无线网卡驱动通过net_device_stats结构存储无线网卡收发数据的统计，可以通过获取无线网卡net_device_stats结构从而获取无线网卡的负载情况。使用获取的无线网卡负载统计，就可以非常方便的分析用户的行为；依据负载统计来实现无线网卡的策略优化，使得无线网卡的节能策略更加贴近用户行为，能够获得更加贴近实际情况的节能效果。

无线网卡状态转换的Linux实现，由无线网卡状态转换模型中可见，无线网卡从Standby状态到Off状态，与从Off状态到Active状态。通过无线网卡驱动中提供的接口与对无线网卡相关标识位的操作实现无线网卡的关闭与开启，从而实现无线网卡的状态转换。

根据具体实现要求，在DPM框架中实现了下表的3个接口。

下面针对动态电源管理策略优化进行描述。

所述策略优化主要通过DPM算法也叫DPM策略实现。关于动态电源管理算法的研究早在20世纪90年代初就开始了，总结起来，主要有Timeout算法、预测算法和随机模型算法三种类型。DPM算法主要涉及一个等效的工作时间Tbe的概念，对于一些设备(比如无线网卡)，在关闭和唤醒设备时需要消耗比正常工作时更高的能量，因此，如果在关闭设备、进入低能耗状态、唤醒设备这一过程中消耗的能量大于仍将设备置于工作状态所消耗的能量，显然不应关闭此设备，否则得不偿失。定义“等效的工作时间Tbe”表示能达到节能状态所需的最短空闲时间。此等效时间仅与设备本身的特性有关。

等效的工作时间数学表达式，如公式3-1所示：

PW×Tbe＝Esd+Ewu+Ps×(Tbe-Tsd-Twu)(3-1)

其中PW表示工作状态的功耗，Tbe表示等效工作时间，Esd表示关闭设备所消耗的能量，Ewu表示唤醒设备所消耗的能量，Ps表示睡眠状态的功耗，Tsd表示关闭设备所消耗的时间，Twu表示唤醒设备所消耗的时间。

等式左边为等效的工作时间内消耗的能量，等式右边为关闭设备、进入低能耗状态、唤醒设备这一过程中消耗的能量。只有空闲时间大于Tbe，设备才有睡眠的必要；否则的话，不但不能够达到节约能量消耗的目的，反而更消耗更多的能量。

本发明主要采用基于半马尔可夫过程的电源管理，它将电源管理问题建模成半马尔可夫过程。马尔可夫性(无记忆性)决定了对于离散时间的建模方法，请求的到来和电源状态的转换采用的都是无记忆的分布，这与实际并不相符合。半马尔可夫性指的是系统将来状态不仅与当前状态有关，而且与当前的状态持续的时间t有关，这一时间满足某一分布。显然，基于半马尔可夫过程的建模方法更符合实际。算法仍然采用事件驱动，相对连续时间的算法——系统处于某一状态的时间符合指数分布，半马尔可夫过程允许两次状态转换间的时间遵循任何概率分布。

半马尔可夫模型表达式的定义：

F(ti|si，ai)：表示在状态si时发出命令ai，在ti结束之前有事件发生的概率分布；

p(s(i+1)|si，ai，ti)：表示在状态si时发出命令ai，在ti结束之前有事件发生的条件下，系统转换到状态s(i+1)的概率；

m(j|s，a)：表示在状态s时发出命令a，系统转换到状态j的概率，由概率学知识，有：

$m\left(j\right|s,a)={\&Integral;}_0^{\&infin;}p\left(j\right|t,s,a)F\left(\mathrm{dt}\right|s,a)---(3-4)$

y(s，a)：表示在状态s时发出命令a，处于状态s的期望时间，由概率学知识，有：

$y(s,a)={\&Integral;}_0^{\&infin;}t\underset{j\&Element;S}{\mathrm{\&Sigma;}}p\left(j\right|t,s,a)F\left(\mathrm{dt}\right|s,a)---(3-5)$

cost(s，a)：表示在s时发出命令a的平均代价，包括能耗代价和性能损耗代价。有：

$\cos t(s_i,a_i)=k(s_i,a_i)+{\&Integral;}_0^{\&infin;}F\left(\mathrm{du}\right|s_i,a_i)\underset{s_{i+1}\&Element;S_{i+1}}{\mathrm{\&Sigma;}}{\&Integral;}_0^{u}c(s_{i+1},s_i,a_i)p\left(s_{i+1}\right|t_i,s_i,a_i)\mathrm{dt}---(3-6)$

其中k(si，ai)表示在状态si时发出命令ai的固定代价，c(s(i+1)，si，ai)表示在状态si时发出命令ai，接下来的状态是s(i+1)的代价率。Si+1是si有可能转化到的状态的集合。

性能约束和能耗约束下的最优化策略的求解等价于对下面式子的求解：

$\min \underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&NotElement;A}{\mathrm{\&Sigma;}}\cos t_{\mathrm{energy}}(s,a)f(s,a)$

$s.t.\underset{a\&Element;A}{\mathrm{\&Sigma;}}f(s,a)-\underset{s^{\&prime;}\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}m\left(s\right|s^{\&prime;},a)f(s^{\&prime;},a)=0$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}y(s,a)f(s,a)=1$ (3-7)

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}\cos t_{\mathrm{perf}}(s,a)f(s,a)<\mathrm{constraint}$

其中f(s，a)是未知数，表示在状态s时发出命令的频率；系数cost(s，a)和m(s|s’，a)含义见前面。(3-7)式求解的是在一定性能损耗的约束下，使得能耗最小的策略，由对称性，(3-7)式中两个cost(s，a)交换位置，就变成求解在一定能量消耗的约束下，使得性能损耗最小的策略。

则在状态s时发出命令a的概率为：

$x(s_i,a_i)=\frac{f(s_i,a_i)}{\underset{a_i\&Element;A}{\mathrm{\&Sigma;}}f(s_i,a_i)}$ (3-8)

根据系统在状态s时发出各个命令的概率大小，将选择概率最大的那个命令。

根据半马尔科夫模型3-7式、3-8式，用Matlab计算出来的一个策略，如下表所示：

本实施例在Hitachi Travelstar 4K40笔记本及CISCO AIRONET 340无线网卡上进行实验，对Timeout算法、自适应Timeout算法、预测算法、随机模型算法和更新理论模型算法进行实验数据的采集，用Matlab对实验数据进行分析。

测试方法为：以系统运行4分钟的情形进行分析，使用Ping程序1分钟，Firefox打开优酷视频1分钟，让无线网卡空闲2分钟，为了保证传输数据的一致性，统一了Ping的地址与Firefox打开同一在线视频。此方法可同时测试算法在三种情况下的性能：第一，无线网卡在一段时间内较忙；第二，播放流媒体时的性能；第三，无线网卡在一段时间内较闲。

图3为默认运行下无线网卡状态变化曲线图；图4固定Timeout算法下无线网卡状态变化曲线图；图5自适应Timeout算法下无线网卡状态变化曲线图；图6预测算法下无线网卡状态变化曲线图；图7更新理论模型下无线网卡状态变化曲线图；图8半马尔科夫模型下无线网卡状态变化曲线图

由图3可见，在默认运行状态下，无线网卡在没用请求的状态下降系统功耗置于standby状态，并不会关闭无线网卡，使功耗进一步减低。采用了动态电源管理后，无线网卡在空闲状态下能处于关闭状态，达到进一步省电效果，由图4至8可见。

图4至8中，y＝0时的点数可看出，不同算法是无线网卡置入关闭状态的次数不同，省电效果也不同。

从上面图3与图4至8的对比可以看出，通过无线网卡驱动中提供的接口与对无线网卡相关标识位的操作，确实实现了对无线网卡状态的转换。那么在这个基础上，就可以进一步地研究更适合无线网卡电源管理的其他算法，从而找到更好的电源管理方案。

接下来对实现的几个算法进行算法性能上的比较。算法性能可以用下面几个参数来描述。下表是通过对实验数据进行处理而得到的结果。

算法	P(W)	Nsd	Tde(ms)	Tss(s)	Tbs(s)
						无电源管理	1.27595	0	38	-	-
Timeout(1.5s)	0.70167	17	40	7.81176	1.50000
						自适应Timeout	0.82843	14	39	7.45000	2.39285
预测算法	1.00191	8	38	8.00000	0.23750
						更新理论模型	0.43084	25	400	7.84000	0.72000
半马尔科夫模型	0.58911	20	45	8.00000	1.32500

其中N_sd：无线网卡进入低功耗的次数；T_de：运行Ping时的平均时间延迟；T_ss：无线网卡处于睡眠状态的平均时间；T_bs：无线网卡在进入低功耗状态前，处于Idle状态的平均时间。

从上面的分析可得，更新理论模型省电效果最好，但是加大了网络的延迟，基于性能与节能效果的平衡，半马尔科夫模型是平衡性最好的算法。

本实施例首先提出了一种基于内核无线网卡驱动来改变无线网卡状态的方法以及通过读写net_device_state结构获取无线网卡负载的方法，接着又阐述了各种DPM经典算法并对其代码化，并且通过实验证实了其具有较好的性能。至此，就较完整的提出了一种用来实现无线网卡动态电源管理的方法。

Claims (4)

1.一种基于嵌入式系统的无线网卡动态电源管理方法，其特征在于包括如下四个步骤：

1)对无线网卡的使用状态进行划分，包括第一状态Active，表示无线网卡忙于收发数据，第二状态Standby/Waiting，表示无线网卡没有收发数据，但无线信号发射器未断电，第三状态Sleep，表示无线网卡的无线信号发射器断电，但其他耗电单元仍工作，第四状态Off，表示无线网卡的所有耗电单元都处于断电状态，第五状态Idle，表示无线网卡在Standby与Sleep状态间定期转换；

2)通过对嵌入式系统内核的操作实现无线网卡的负载检测；

3)根据步骤2)所获得的负载情况实现无线网卡的状态转换；

4)采用半马尔科夫模型对无线网卡动态电源管理进行优化。

2.根据权利要求1所述的无线网卡动态电源管理方法，其特征在于所述步骤2)通过在嵌入式系统获取无线网卡的net_device结构实现无线网卡的负载检测，具体在Linux系统下通过如下两种方式获得net_device结构：

一是通过搜索维护网络设备的全局链表dev_base；

二是通过无线网卡驱动程序接口的方式。

3.根据权利要求1所述的无线网卡动态电源管理方法，其特征在于所述步骤3)实现的状态转换包括从Standby状态到Off状态，以及从Off状态到Active状态，具体在Linux系统下通过无线网卡驱动中提供的接口与对无线网卡相关标识位的操作实现无线网卡的关闭与开启，从而实现无线网卡的状态转换，所涉及的接口包括第一接口CheckMode，表示查询无线网卡所处的状态，返回0表示无线网卡处于Off状态，返回1表示无线网卡不处于Off状态，第二接口On，表示将无线网卡唤醒，第三接口Off，表示将无线网卡关闭。

4.根据权利要求1所述的无线网卡动态电源管理方法，其特征在于所述步骤4)将电源管理问题建模成半马尔可夫过程，半马尔可夫模型表达式的定义如下：

F(ti|si，ai)：表示在状态si时发出命令ai，在ti结束之前有事件发生的概率分布；

p(s(i+1)|si，ai，ti)：表示在状态si时发出命令ai，在ti结束之前有事件发生的条件下，系统转换到状态s(i+1)的概率；

m(j|s，a)：表示在状态s时发出命令a，系统转换到状态j的概率，

y(s，a)：表示在状态s时发出命令a，处于状态s的期望时间，

cost(s，a)：表示在s时发出命令a的平均代价，包括能耗代价和性能损耗代价，

其中k(si，ai)表示在状态si时发出命令ai的固定代价，c(s(i+1)，si，ai)表示在状态si时发出命令ai，接下来的状态是s(i+1)的代价率，Si+1是si有可能转化到的状态的集合；

对性能约束和能耗约束下的最优化策略的求解等价于对下面式子的求解：

$\min \underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&NotElement;A}{\mathrm{\&Sigma;}}\cos t_{\mathrm{energy}}(s,a)f(s,a)$

$s.t.\underset{a\&Element;A}{\mathrm{\&Sigma;}}f(s,a)-\underset{s^{\&prime;}\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}m\left(s\right|s^{\&prime;},a)f(s^{\&prime;},a)=0$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}y(s,a)f(s,a)=1$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}\cos t_{\mathrm{perf}}(s,a)f(s,a)<\mathrm{constraint}$

其中f(s，a)是未知数，表示在状态s时发出命令的频率，该公式的求解是在一定性能损耗的约束下，使得能耗最小的策略，公式中两个cost(s，a)因对称性交换位置，就变成求解在一定能量消耗的约束下，使得性能损耗最小的策略；

则在状态s时发出命令a的概率为： $x(s_i,a_i)=\frac{f(s_i,a_i)}{\underset{a_i\&Element;A}{\mathrm{\&Sigma;}}f(s_i,a_i)},$

根据系统在状态s时发出各个命令的概率大小，选择概率最大的那个命令；

根据半马尔科夫模型，得出的优化策略如下表所示：

Images