CN103428320B - 基于模型拟合的智能手机功耗评估方法 - Google Patents

Abstract

基于模型拟合的智能手机功耗评估方法，1、获取智能手机的参数，选取CPU、内存RAM、屏幕、WiFi、Phone、3G、SD卡和Audio音频模块的参数作为模型的输入变量；2、对存在尾功耗的硬件WiFi、3G和Phone，进行尾功耗处理，即可得出硬件WiFi、3G和Phone在三个时间段内对应的尾功耗值；3、将步骤1获取的智能手机参数输入到模型拟合工具SPSS中，根据拟合结果的各项参数得出拟合方程，即基于硬件使用率的智能手机功耗模型，在基于硬件使用率的智能手机功耗模型的基础上，加入硬件WiFi、3G和Phone在三个时间段内对应的尾功耗值，即可得到智能手机功耗模型utDPM；能够让智能手机用户在不借助外接测量设备的情况下，依靠智能手机功耗模型，实时的获取比较精确的评估功耗值。

Description

基于模型拟合的智能手机功耗评估方法

技术领域

本发明属于智能手机功耗监测优化领域，具体涉及一种基于模型拟合的智能手机功耗评估方法。

背景技术

根据互联网数据中心（IDC）2013年2月14日公布的全球智能手机市场调查报告得知，在2012年Q4季度全球范围内智能手机占据了手机出货量的41.2%，其中搭载Android系统的智能手机占据了智能手机市场70.1%的市场份额，智能手机的时代已经来临。智能手机因其强大的功能、丰富的应用、良好的用户体验而占据了移动终端市场的主导地位。但是智能手机的功耗问题却日益突出，例如手机待机时间短、续航能力差、不规范编程行为造成的功耗损失等，成为阻碍智能手机应用深入推广和产业进一步发展的障碍。为了优化智能手机功耗，对智能手机功耗模型的研究逐渐成为学术界和工业界的研究热点。

智能手机平台上的硬件使用率功耗模型来源于个人计算机平台。研究人员首先通过运行在目标设备上的程序，周期性地记录CPU，内存，磁盘等硬件设备的使用率，借助外接在智能手机上的恒压电源获取设备的实时功耗值，最后将智能手机的实时功耗和硬件使用率数据输入模型拟合工具，通过多组数据的训练，建立起硬件使用率和智能手机功耗值之间的函数关系。

然而，随着硬件设备制造工艺的改进、硬件驱动程序中功耗管理模块的日益优化，基于硬件使用率功耗模型的误差率越来越高。首先，不是所有的硬件设备都存在可量化的使用率，比如智能手机上的GPS设备、摄像头设备。这种类型的设备不会接收发送数据，只是简单地改变自身状态（打开设备、关闭设备）；其次，智能手机上的网络设备存在“尾功耗”现象。“尾功耗”是指硬件设备关闭之后，智能手机电源模块对该设备的供电依然保持延时的高电平效应，不能立刻降低。因此单纯依靠硬件设备使用率抽象出的智能手机功耗模型必然存在较大的误差；再次，不是所有硬件设备使用率的变化都会导致硬件设备状态的改变。移动终端设备（Android，IOS等）具有移动设备独有的特性，智能手机的3G、WiFi等硬件模块存在严重的供电延迟现象，即尾功耗。依次在基于硬件使用率的基础之上引入“尾功耗”这一因素能够提高智能手机功耗模型的精确度。

发明内容

为了解决上述现有技术存在的问题，本发明的目的在于提供一种基于模型拟合的智能手机功耗评估方法，能够让智能手机用户在不借助外接测量设备的情况下，依靠智能手机功耗模型，实时的获取比较精确的评估功耗值。

为达到以上目的，本发明采用如下技术方案：

基于模型拟合的智能手机功耗评估方法，包括如下步骤：

步骤1：获取智能手机的参数，选取CPU、内存RAM、屏幕、WiFi、Phone、3G、SD卡和Audio音频模块的参数作为模型的输入变量，所述参数具体见表1所示：

表1

步骤3：将步骤1获取的智能手机参数输入到模型拟合工具SPSS中，具体拟合过程为：将步骤1获取的智能手机参数和利用外接电源测得的智能手机的所有硬件的实时总功耗值读入模型拟合工具SPSS中，选择线性回归作为分析回归类型，设定自变量和因变量，即可得出模型拟合结果；根据拟合结果得出拟合方程，即基于硬件使用率的智能手机功耗模型，在基于硬件使用率的智能手机功耗模型的基础上，加入硬件WiFi、3G和Phone在三个时间段内对应的尾功耗值，即可得到智能手机功耗模型utDPM；所述智能手机功耗模型utDPM如式（1）所示：

p_ij＝α_ij×c_j+β_ij×d_j    （1）

式中：p_ij表示功耗测量样本中第i个样本的第j个硬件设备所消耗的功率，α_ij表示第i个样本的第j个硬件设备的使用率，β_ij表示硬件WiFi、3G和Phone的尾功耗情况，c_j表示第i个样本的第j个硬件设备使用率的系数，d_j表示硬件WiFi、3G和Phone的尾功耗的系数；

第i个样本消耗的全部功耗如式（2）所示：

p_i＝k+(p_i0+p_i1+…+p_in)

＝k+((α_i0×c₀+β_i0×d₀)

+(α_i1×c₁+β_i1×d₁)

+…

+(α_in×c_n+β_in×d_n))    （2）

令x_i＝(α_i0,α_i1,…,α_in)，y_i＝(β_i0,β_i1,…,β_in)，c＝(c₀,c₁,…,c_n)^T，d＝(d₀,d₁,…,d_n)^T，则式（2）可归纳为式（3）：

p_i＝k+x_i×c+y_i×d    （3）

式（2）和式（3）中，p_i表示功耗测量样本中第i个样本的总功耗，k是常量，代表系统的基础功耗，p_i0，p_i1…p_in表示第i个样本的第0，1，…，n个硬件设备所消耗的功率，α_i0，α_i1，…α_in表示第i个样本的第0，1，…，n个硬件设备的使用率或状态值，β_i0，β_i1，…β_in表示第i个样本的第0，1，…，n个硬件设备的尾功耗值，c₀，c₁，…，c_n表示第i个样本的第0，1，…，n个硬件设备使用率的相关系数，d₀，d₁，…，d_n表示第i个样本的第0，1，…，n个硬件设备尾功耗的相关系数，x_i表示第i个样本所有硬件设备的使用率或状态值的向量，y_i表示第i个样本的所有硬件设备的功耗延迟情况的向量，c表示第i个样本的所有硬件设备使用率的相关系数的向量的转置，d表示第i个样本的所有硬件设备尾功耗的相关系数的向量的转置；

以t_m为采样周期，采集m个样本的功耗公式如式（4）所示：

令P

则式（4）可归纳为式（5）：

P＝k·e+X·c+Y·d    （5）

式中：P表示m个样本的总功耗的向量，e是单位向量，X表示m个样本的所有硬件设备的使用率或状态值的向量组成的矩阵，Y表示m个样本的所有硬件设备的功耗延迟情况的向量组成的矩阵；

根据上述公式（5）计算智能手机设备以t_m为采样周期的m个样本总功耗，如式（6）所示：

$E=\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{t}_m\·p_i=t_m\·\underset{i=0}{\overset{m}{\mathrm{\Σ}}}(k+x_i\·c+y_i\·d)---\left(6\right)$

本发明和现有技术相比，具有如下优点：

1)完善了已有的基于硬件使用率的功耗模型，将手机内存、SD卡等参数加入到手机功耗模型的输入变量中。

2)细化了器件的尾功耗数值，通过计算特定时间段内功耗样本的均值去评估尾功耗。

3）结合改进的硬件使用率功耗模型和细化的硬件尾功耗数值，提出新的功耗模型utDPM（Utility and Tailpower based Dynamic Power Model），功耗评估精确度可提高47%。

附图说明

图1为本发明基于模型拟合的智能手机功耗评估方法构架。

图2为实测功耗和评估功耗对比曲线图。

具体实施方式

以下结合附图及具体实施例，对本发明作进一步的详细描述。

根据Android SDK提供的API，可以获取智能手机实时的硬件使用率信息，并将这些使用率信息保存在非易失性存储器中。

如图1所示，选取HTC T328w作为目标智能手机，这是一款电池拆卸方便的智能手机，能够十分便捷地接入第三方电源。选取安捷伦14565B恒压电源作为目标设备的外接电源，该设备能够以3.8V的恒定电压持续为目标设备供电，同时能够将供电信息保存在与恒压电源连接的PC端。

然后，进行功耗模型拟合。数据拟合使用现有的模型拟合工具：SPSS。模型拟合过程为：将智能手机的硬件使用率信息和实时电流读入SPSS中，选择线性回归作为分析回归类型，设定自变量和因变量，即可得出模型拟合结果。根据拟合结果的各项参数得出拟合方程，即基于硬件使用率的智能手机功耗模型。在基于硬件使用率的智能手机功耗模型的基础上，加入3G、WiFi、Phone模块细化以后的尾功耗值，就可得到智能手机功耗模型：utDPM。

最后，将智能手机实时的硬件使用率信息和硬件的状态信息带入到功耗模型utDPM中，即可得到手机实时的评估功耗。

如图2所示，以3G模块关闭后的功耗曲线为例说明功耗模型utDPM的使用情况，在图中，灰色区域代表3G模块的尾功耗。实线表示用外接电源实测得到的功耗值，虚点棱形线表示使用AbhinavPathak等人提出的尾功耗计算办法得出的评估功耗值，点划线表示使用本论文中提出的尾功耗计算办法得到的评估功耗值。可以看出在使用细化后的尾功耗值以后，评估功耗曲线跟实测功耗曲线的吻合度明显提高。

Claims (1)

1.基于模型拟合的智能手机功耗评估方法，其特征在于：包括如下步骤：

步骤1：获取智能手机的参数，选取CPU、内存RAM、屏幕、WiFi、Phone、3G、SD卡和Audio音频模块的参数作为模型的输入变量，所述参数具体见表1所示：

表1

步骤2：对存在尾功耗的硬件WiFi、3G和Phone，进行尾功耗处理：分别对硬件WiFi、3G和Phone采集五组实测功耗值，然后将硬件WiFi、3G和Phone关闭之后3秒内的功耗数据截取出来，随后分别计算其每一秒内功耗值的均值，即可得出硬件WiFi、3G和Phone在三个时间段内对应的尾功耗值；

步骤3：将步骤1获取的智能手机参数输入到模型拟合工具SPSS中，具体拟合过程为：将步骤1获取的智能手机参数和利用外接电源测得的智能手机的 所有硬件的实时总功耗值读入模型拟合工具SPSS中，选择线性回归作为分析回归类型，设定自变量和因变量，即可得出模型拟合结果；根据拟合结果得出拟合方程，即基于硬件使用率的智能手机功耗模型，在基于硬件使用率的智能手机功耗模型的基础上，加入硬件WiFi、3G和Phone在三个时间段内对应的尾功耗值，即可得到智能手机功耗模型utDPM；所述智能手机功耗模型utDPM如式(1)所示：

p_ij＝α_ij×c_j+β_ij×d_j         (1) 

式中：p_ij表示功耗测量样本中第i个样本的第j个硬件设备所消耗的功率，α_ij表示第i个样本的第j个硬件设备的使用率，β_ij表示硬件WiFi、3G和Phone的尾功耗情况，c_j表示第i个样本的第j个硬件设备使用率的系数，d_j表示硬件WiFi、3G和Phone的尾功耗的系数；样本指的是每一次的测量，样本中包含的数据就是模型的所有输入变量对应的具体数值；

第i个样本消耗的全部功耗如式(2)所示：

p_i＝k+(p_i0+p_i1+...+p_in) 

＝k+((α_i0×c₀+β_i0×d₀)

+(α_i1×c₁+β_i1×d₁)

+...

+(α_in×c_n+β_in×d_n))        (2) 

令x_i＝(α_i0,α_i1,...,α_in)，y_i＝(β_i0,β_i1,...,β_in)，c＝(c₀,c₁,...,c_n)^T，d＝(d₀,d₁,...,d_n)^T，则式(2)可归纳为式(3)：

p_i＝k+x_i×c+y_i×d        (3) 

式(2)和式(3)中，p_i表示功耗测量样本中第i个样本的总功耗，k是常量，代表系统的基础功耗，p_i0，p_i1，…p_in表示第i个样本的第0，1，…，n个硬件设备所消耗的功率，α_i0，α_i1，…α_in表示第i个样本的第0，1，…，n个硬件设备的使用率或状态值，β_i0，β_i1，…β_in表示第i个样本的第0，1，…，n个硬件 设备的尾功耗值，c₀，c₁，…，c_n表示第i个样本的第0，1，…，n个硬件设备使用率的相关系数，d₀，d₁，…，d_n表示第i个样本的第0，1，…，n个硬件设备尾功耗的相关系数，x_i表示第i个样本所有硬件设备的使用率或状态值的向量，y_i表示第i个样本的所有硬件设备的功耗延迟情况的向量，c表示第i个样本的所有硬件设备使用率的相关系数的向量的转置，d表示第i个样本的所有硬件设备尾功耗的相关系数的向量的转置；

以t_m为采样周期，采集m个样本的功耗公式如式(4)所示：

令

则式(4)可归纳为式(5)：

P＝k·e+X·c+Y·d        (5) 

式中：P表示m个样本的总功耗的向量，e是单位向量，X表示m个样本的所有硬件设备的使用率或状态值的向量组成的矩阵，Y表示m个样本的所有硬件设备的功耗延迟情况的向量组成的矩阵；

根据上述公式(5)计算智能手机设备以t_m为采样周期的m个样本总功耗，如式(6)所示：

。