CN103761393B - 一种基于细粒度性能计数器建立系统实时功耗模型的方法 - Google Patents

Abstract

本发明提供了一种基于细粒度性能计数器建立系统实时功耗模型的方法，包括步骤：预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组；采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合。

Description

一种基于细粒度性能计数器建立系统实时功耗模型的方法

技术领域

本发明涉及集成电路设计、功耗估计、动态功耗管理、系统软件设计以及系统硬件设计领域，更具体地说，本发明涉及一种基于细粒度性能计数器建立系统实时功耗模型的方法。

背景技术

能耗已经成为制约信息技术发展的重要因素，对计算机系统功耗值的实时获取，是动态功耗管理的前提和关键问题。获取准确的能耗值，是低功耗调度的前提和依据。

采用直接在系统中添加功耗测量硬件部件的方式，代价较大，并且大部分的系统并不支持。因此，通过建立系统功耗模型，用软件的手段对系统功耗进行精确估计，具有十分现实的意义。

当前，获取准确的运行时能耗值有2种方法：1）通过硬件传感器；2）通过软件功耗模型进行估算。为每一个节点、每一个部件部署硬件功耗传感器代价昂贵，难以实施；而功耗预测模型尚处于摸索阶段，仅有的几个实验室级的模型的精度普遍在10%左右。比如，参考文献“XiChen,ChiXu,RobertP.Dick,etal.Performanceandpowermodelinginamulti-programmedmulti-coreenvironment,DesignAutomationConference,2010:813-818”中提出了一种在线的、支持多核多线程环境的处理器性能和功耗估算方法，该性能模型采用复用距离直方图、高速缓存访问频率、每个进程的吞吐量和缓存命中率之间的关系来预测系统的吞吐量，系统级功耗模型使用多变量线性回归推导。参考文献“G.Contreras,M.Martonosi,J.Peng,etal.TheXTREMpowerandperformancesimulatorfortheIntelXScalecore:Designandexperiences.ACMTransactionsonEmbeddedComputingSystems(TECS),2007,6(1):4”、“GilbertoContreras,MargaretMartonosi.PowerpredictionforintelXScaleprocessorsusingperformancemonitoringunitevents,InternationalSymposiumonLowPowerElectronicsandDesign,2005:221-226”和“GilbertoContreras,MargaretMartonosi,JinzhangPeng,etal.TheXTREMpowerandperformancesimulatorfortheIntelXScalecore:Designandexperiences,ACMTransactionsonEmbeddedComputingSystems(TECS),2007:4”的模型中使用了一套功耗权重值，用以将6个硬件性能计数器的值映射到处理器和内存的功耗，功耗权重值是利用参数估计技术得到的，平均误差率为4%。Singh等提出一种基于性能计数器的多程序多核心环境功率估计模型，这种功率模型的建立过程是临时性的，需要用户手动调整模型参数，此外，他们的功耗模型无法处理统一核心上进程之间的时间共享（参见参考文献：KaranSingh,MajorBhadauria,SallyA.McKee.Realtimepowerestimationandthreadschedulingviaperformancecounters,ACMSIGARCHComputerArchitectureNews,2009:46-55）。W.LloydBircher等提出使用回归曲线拟合，利用9个性能计数器，得到CPU、内存，芯片组，I/O，磁盘五个子系统的功耗模型，平均误差小于9％（参见参考文献：Bircher,W.L.andL.K.John.Completesystempowerestimation:Atrickle-downapproachbasedonperformanceevents.2007:IEEE）。

以上模型由于只是用了少量的性能计数器，在反映计算机系统整体功耗方面有所欠缺，因此精度不理想。事实上，以上模型主要使用了Cache（高速缓存）失效率、内存页故障（pagefault），逻辑IO（输入输出）请求的个数、设备IO操作数量等少数几个性能计数器。事实上，除以上因素外，还存在其他多种因素对运行时系统的功耗产生影响，对于这些因素的忽略，将会不可避免地影响功耗模型的准确度。由于精度不高，将它们用于功耗调度的结果不理想。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于细粒度性能计数器建立系统实时功耗模型的方法，使用该方法实现的功耗估计软件，可以实时获得高精度的系统功耗值。

根据本发明，提供了一种基于细粒度性能计数器建立系统实时功耗模型的方法，包括步骤：预选反映系统运行状态的细粒度性能计数器作为预选特征值集合；通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组；采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合。

优选地，预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，并通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组的步骤包括：

第一步骤：建立实验环境，其中所述实验环境能够实时记录细粒度性能计数器全集的动态数值和系统总功耗P_system；

第二步骤：预选反映主要部件运行状态的细粒度性能计数器，建立预选性能计数器全集F_preslct作为预选特征值集合；

第三步骤：进行样本提取，建立多元一次方程组；其中对预选的主要部件所组成的选定系统运行有效的测试激励，同步采样F_preslct={f_k,k=1,2,…,m}与系统总功耗P_system，得到足够多的样本，设最终用于模型求解的样本数量为s，建立反映运行时预选性能计数器全集F_preslct与系统总功耗P_system对应关系的多元一次方程组，设w₀为常数，μ_t为第t个样本的估计误差，U={μ_t,t=1,2,…,s}，则多元方程组为：

$\left\{\begin{array}{c}{P}_{\mathrm{system}\_1}=w_0+w_1*f_{11}+w_2*f_{21}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m1}+{\mathrm{\μ}}_1\\ P_{\mathrm{system}\_2}=w_0+w_1*f_{12}+w_2*f_{22}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m2}+{\mathrm{\μ}}_2\\ .\\ .\\ .\\ P_{\mathrm{system}\_s}=w_0+w_1*f_{1s}+w_2*f_{2s}+w_3*f_{3s}\·\·\·\·\·\·+w_s*f_{\mathrm{ms}}+{\mathrm{\μ}}_s\end{array}\right..$

优选地，主要部件包括处理器、内存、磁盘、输入输出部件以及网络通信部件。

优选地，所述预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组的步骤包括：

第一步骤：建立实验环境，其中所述实验环境能够实时记录细粒度性能计数器全集的动态数值和系统总功耗P_system；

第二步骤：预选反映系统内所有部件的运行状态的细粒度性能计数器，以建立预选性能计数器全集F_preslct作为预选特征值集合；

第三步骤：进行样本提取，建立多元一次方程组；其中对预选的主要部件所组成的选定系统运行有效的测试激励，同步采样F_preslct={f_k,k=1,2,…,m}与系统总功耗P_system，得到足够多的样本，设最终用于模型求解的样本数量为s，建立反映运行时预选性能计数器全集F_preslct与系统总功耗P_system对应关系的多元一次方程组，设w₀为常数，μ_t为第t个样本的估计误差，U={μ_t,t=1,2,…,s}，则多元方程组为：

$\left\{\begin{array}{c}{P}_{\mathrm{system}\_1}=w_0+w_1*f_{11}+w_2*f_{21}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m1}+{\mathrm{\μ}}_1\\ P_{\mathrm{system}\_2}=w_0+w_1*f_{12}+w_2*f_{22}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m2}+{\mathrm{\μ}}_2\\ .\\ .\\ .\\ P_{\mathrm{system}\_s}=w_0+w_1*f_{1s}+w_2*f_{2s}+w_3*f_{3s}\·\·\·\·\·\·+w_s*f_{\mathrm{ms}}+{\mathrm{\μ}}_s\end{array}\right..$

优选地，所述采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合包括：

第四步骤：执行模型求解，其中通过多元线性回归的方法进行模型求解，使得误差平方和最小；

第五步骤：进行模型有效性验证，其中依据多元线性回归的方法的模型检验标准，检验模型的显著性水平α、残差r、相关系数r²、概率p，以验证模型的有效性；

如通过了有效性验证，则得到该系统的功耗模型P_system=w₀+w₁*f₁+w₂*f₂+…+w_m*f_m、有效特征值集合F_effect、权值集合W={w_k,k=1,2,…,m}；

如未通过有效性验证，则回归到第二步骤，调整预选性能计数器全集F_preslct和测试激励，继续实验。

本发明基于线性回归的功耗模型建立方法，通过多元线性回归，计算出每个性能技术器对功耗的贡献权值。本发明的方法科学、精准、便于实现、不需要增加额外功耗传感部件，通过软件的方法即可获得实时的功耗数据。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的处理流程图。

图2示意性地示出了根据本发明优选实施例采用的一种示例的实验环境。

图3示意性地示出了根据本发明优选实施例中SysPower对神威D1000PC的拟合分析结果。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

计算机系统的实时功耗可分解为各硬件功能单元的功耗之和，而每个硬件功能单元的实时功耗由其固有的功耗特征和实时使用情况决定，因此，在功耗特征既定的情况下，获取到硬件单元的实时使用情况即可推算其实时功耗。硬件性能计数器监测到的活动事件的发生次数，能够准确直观地体现系统运行时的硬件部件使用情况，同时也是获得其功耗情况的最直观、最精确的途径。但是目前的研究中，对于如何预选作为特征值的性能计数器，如何建立特征值与系统功耗的关系模型，仍然不明确。

针对上述问题，本发明提供了一种基于细粒度性能计数器建立系统实时功耗模型的方法，使用该方法实现的功耗估计软件，可以实时获得高精度的系统功耗值。在本发明的方法中，首先预选反映主要部件（例如，主要部件包括处理器CPU、内存、磁盘、输入输出部件（I/O）、网络通信部件等）的运行状态的细粒度性能计数器作为预选特征值集合；其次，通过实验建立该预选特征值与运行时系统总功耗的对应关系；随后，采用多元线性回归法进行模型求解，得到各细粒度性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对所述系统运行时功耗产生实际影响的有效性能特征值集合。其中，在替换方案中，可以预选反映处理器、内存、磁盘、输入输出部件以及网络通信部件等系统中的系统内所有部件的运行状态的细粒度性能计数器作为预选特征值集合。

具体地说，计算机系统的实时功耗是由处理器CPU、内存、磁盘、网络等所有硬件功能部件的实时功耗组成，而每个硬件功能部件的实时功耗为其所有功能单元的功耗之和。设一个计算机系统（System）由n个功能部件组成（Component），第i个功能部件Component_i由l_i个功能单元组成（Unit），系统总功耗为P_system，第i个功能部件的功耗为P_{component_i}，第i个功能部件的第j个功能单元的功耗为P_{unit_i_j}，则系统的功耗组成可以表示为：

$P_{\mathrm{system}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{\mathrm{component}\_i}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{1i}{\mathrm{\Σ}}}{P}_{\mathrm{unit}\_i\_j}$

由此，求解系统总功耗的问题可以归结为对功能单元的功耗的求解。功能单元的运行时功耗取决于2个因素：（1）硬件固有的功耗特征；（2）运行时使用情况。因此，在功耗特征既定的情况下，获取到功能单元的使用情况即可推算其实时功耗。

硬件的细粒度性能计数器监测到的活动事件的发生次数，能够准确直观地体现系统运行时的硬件部件使用情况，同时也是获得其功耗情况的最直观、最精确的途径。当前的主流处理器均定义了丰富的硬件事件集合，并配置了相应的硬件性能计数器以记录这些活动事件，从而为通过性能计数器描述系统功耗提供了条件。

计算机系统是一个通过分工合作共同完成既定任务的复杂系统，功能单元与性能计数器之间呈现多对多的相关性。任何功能单元都与其他部分有着紧密的相互作用，难以通过单个性能计数器完整地反映其工作情况，如：对内存的读取访问，同时也意味着系统已经对L1Cache、L2Cache、L3Cache进行过访问；同样，各性能计数器所代表的活动事件之间存在复杂的相关关系，一个性能计数器的变化的同时，与之相关的性能计数器也在发生相应的变化。L3Cache的命中，同时也意味着记录L1Cachemiss、L2Cachemiss的性能计数器值增加，分支预测失败，不仅会导致branchpredictionmiss，也可能会导致浮点和整数计算单元的利用率下降。

由此可知，一个功能单元的使用情况一般与多个细粒度性能计数器相关，由多个相关细粒度性能计数器的线性组合估计功能单元的功耗，比只使用一个性能计数器更符合实际情况。

因此，在本发明实施例中，可以预选选取反映系统运行状态的细粒度性能计数器作为预选特征值集合；通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组；采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合。

计算机系统是一个通过分工合作共同完成既定任务的复杂系统，功能单元与性能计数器之间呈现多对多的相关性。任何功能单元都与其他部分有着紧密的相互作用，难以通过单个性能计数器完整地反映其工作情况，一个功能单元的使用情况一般与多个性能计数器相关，由多个相关性能计数器的线性组合估计功能单元的功耗，比只使用一个性能计数器更符合实际情况。设F_preslct为系统提供的预选性能计数器全集，且预选性能计数器全集F_preslct中有m个活动事件，f_k为第k个性能计数器的值，第k个性能计数器对P_{unit_i_j}的影响权值为w_ijk，β_ij为常量（其中包括该部件的静态功耗），则可得以下公式：

$P_{\mathrm{unit}\_i\_j}={\mathrm{\β}}_{\mathrm{ij}}+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{wijkfk}$

$P_{\mathrm{system}}\begin{array}{c}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{\mathrm{component}\_i}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}{P}_{\mathrm{unit}\_i\_j}\\ =\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}({\mathrm{\β}}_{\mathrm{ij}}+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{wijkfk})\\ =\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}{\mathrm{\β}}_{\mathrm{ij}}+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{fk}*\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}\mathrm{wijk}\end{array}$

设: $w_0=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}{\mathrm{\β}}_{\mathrm{ij}},\mathrm{wk}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{li}}{\mathrm{\Σ}}}\mathrm{wijk}$

则系统的总功耗与性能计数器值的关系可表示为：

$P_{\mathrm{system}}=w_0+\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_k*f_k$

其中，f_k为第k个性能计数器的值，w_k为第k个性能计数器代表的系统行为对系统功耗的影响权值。

下面将具体描述模型求解的过程。

对于特定的目标系统，需要确定两组参数集合：

（1）设置预选性能计数器全集F_preslct={f_k,k=1,2,…,m}的预选特征集合。

（2）影响权值的集合W={w_k,k=1,2,…,m}，W的可解性和精确性是模型的关键。

在优选实施例中，如图1所示，可通过以下五个步骤完成模型的求解：

第一步骤S1：建立实验环境，其中所述实验环境能够实时记录性能计数器全集的动态数值和系统总功耗P_system。图2示出了示例的实验环境；本领域技术人员可以理解的是，所示的实验环境仅仅是可以应用的实验环境的一个示例，本发明还可以采用其他合适的实验环境。

第二步骤S2：建立预选性能计数器全集F_preslct，其中预选反映CPU、存储器（Memory）、输入输出部件（I/O）、网络通信部件等主部件运行状态的性能计数器，以建立预选性能计数器全集F_preslct的集合。在替换方案中，还可以预选反映系统内所有部件的运行状态的细粒度性能计数器，以建立预选性能计数器全集F_preslct作为预选特征值集合；由此可包含最广泛的样本数据。

第三步骤S3：进行样本提取，建立多元一次方程组；针对所有部件运行有效的测试激励，同步采样F_preslct={f_k,k=1,2,…,m}与系统总功耗P_system，得到足够多的样本，设最终用于模型求解的样本数量为s，建立反映运行时预选性能计数器全集F_preslct与系统总功耗P_system对应关系的多元一次方程组，设w₀为常数，μ_t为第t个样本的估计误差，U={μ_t,t=1,2,…,s}，则方程组为：

$\left\{\begin{array}{c}{P}_{\mathrm{system}\_1}=w_0+w_1*f_{11}+w_2*f_{21}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m1}+{\mathrm{\μ}}_1\\ P_{\mathrm{system}\_2}=w_0+w_1*f_{12}+w_2*f_{22}+w_3*f_{31}\·\·\·\·\·\·+w_m*f_{m2}+{\mathrm{\μ}}_2\\ .\\ .\\ .\\ P_{\mathrm{system}\_s}=w_0+w_1*f_{1s}+w_2*f_{2s}+w_3*f_{3s}\·\·\·\·\·\·+w_s*f_{\mathrm{ms}}+{\mathrm{\μ}}_s\end{array}\right..$

由此，权值的求解过程可推导为对以上方程组的求解。

第四步骤S4：执行模型求解，其中通过多元线性回归的方法进行模型求解，使得误差平方和最小。

第五步骤S5：在本步骤中，优选地，进一步进行模型有效性验证，其中依据多元线性回归的方法的模型检验标准，检验模型的显著性水平α、残差r、相关系数r²、概率p等参数，验证模型的有效性。

●如通过了有效性验证，则得到该系统的功耗模型P_system=w₀+w₁*f₁+w₂*f₂+…+w_m*f_m、有效特征值集合F_effect、权值集合W={w_k,k=1,2,…,m}；

●如未通过有效性验证，则回归到第二步骤S2，调整预选性能计数器全集F_preslct和测试激励，继续实验。

可以看出，本发明基于线性回归的功耗模型建立方法，通过多元线性回归，计算出每个性能技术器对功耗的贡献权值。本发明的方法科学、精准、便于实现、不需要增加额外功耗传感部件，通过软件的方法即可获得实时的功耗数据。

本发明的功耗模型比现有技术中目前已知的功耗模型更为精准。在基于申威四核CPU的神威D1000PC、基于龙芯2F单核CPU的福珑PC、基于IntelQ8200四核CPU的DELLOptipex750PC上，采用本发明的方法分别建立相应的功耗模型SysPower_神威D1000、SysPower_{DELLOptipex750}，SysPower_{龙芯 2F6003}，经检验，三个模型的最大估计误差小于4%，绝对平均误差为1.05%，模型的置信度和实验结果均支持模型的有效性。

下述表格示出了在三个平台上进行的功耗模型检验数据和误差分析。

而且，图3显示了对神威D1000系统的功耗模型估计误差，横坐标代表1000个随机采样样本，纵坐标代表使用本发明提出的SysPower模型估计的功耗与实际测量功耗的误差百分比。

同时，本发明的方法还适用于部件级的功耗模型，实验结果表明，处理器和主存的功耗模型最大误差分别为3.63%和3.91%，绝对平均误差分别为0.41%和0.62%。

此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (3)

1.一种基于细粒度性能计数器建立系统实时功耗模型的方法，其特征在于包括步骤：预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组；采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合；

其中，所述预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组的步骤包括：

第一步骤：建立实验环境，其中所述实验环境能够实时记录细粒度性能计数器全集的动态数值和系统总功耗P_system；

第二步骤：预选反映主要部件运行状态的细粒度性能计数器，建立预选性能计数器全集F_preslct作为预选特征值集合；

第三步骤：进行样本提取，建立多元一次方程组；针对所有部件运行有效的测试激励，同步采样F_preslct＝{f_k,k＝1,2,…,m}与系统总功耗P_system，得到足够多的样本，设最终用于模型求解的样本数量为s，建立反映运行时预选性能计数器全集F_preslct与系统总功耗P_system对应关系的多元一次方程组，设w₀为常数，μ_t为第t个样本的估计误差，U＝{μ_t,t＝1,2,…,s}，w_k为第k个性能计数器代表的系统行为对系统功耗的影响权值，则多元方程组为：

$\left\{\begin{array}{c}{P}_{system\_1}=w_0+w_1*f_{11}+w_2*f_{21}+w_3*f_{31}\mathrm{......}+w_m*f_{m1}+{\mathrm{\μ}}_1\\ P_{system\_2}=w_0+w_1*f_{12}+w_2*f_{22}+w_3*f_{32}\mathrm{......}+w_m*f_{m2}+{\mathrm{\μ}}_2\\ .\\ .\\ .\\ P_{system\_s}=w_0+w_1*f_{1s}+w_2*f_{2s}+w_3*f_{3s}\mathrm{......}+w_s*f_{ms}+{\mathrm{\μ}}_s\end{array}\right.;$

而且，所述采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合的步骤包括：

第四步骤：执行模型求解，其中通过多元线性回归的方法进行模型求解，使得误差平方和最小；

第五步骤：进行模型有效性验证，其中依据多元线性回归的方法的模型检验标准，检验模型的显著性水平α、残差r、相关系数r²、概率p，以验证模型的有效性；

而且，如通过了有效性验证，则得到该系统的功耗模型P_system＝w₀+w₁*f₁+w₂*f₂+…+w_m*f_m、有效特征值集合F_effect、权值集合W＝{w_k,k＝1,2,…,m}；

如未通过有效性验证，则回归到第二步骤，调整预选性能计数器全集F_preslct和测试激励，继续实验。

2.根据权利要求1所述的基于细粒度性能计数器建立系统实时功耗模型的方法，其特征在于，主要部件包括处理器、内存、磁盘、输入输出部件以及网络通信部件。

3.一种基于细粒度性能计数器建立系统实时功耗模型的方法，其特征在于包括步骤：预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组；采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合，

其中所述预选反映系统运行状态的细粒度性能计数器作为预选特征值集合，通过实验建立所述预选特征值集合与运行时功耗的对应关系以形成多元方程组的步骤包括：

第一步骤：建立实验环境，其中所述实验环境能够实时记录细粒度性能计数器全集的动态数值和系统总功耗P_system；

第二步骤：预选反映系统内所有部件的运行状态的细粒度性能计数器，以建立预选性能计数器全集F_preslct作为预选特征值集合；

第三步骤：进行样本提取，建立多元一次方程组；其中对预选的主要部件所组成的选定系统运行有效的测试激励，同步采样F_preslct＝{f_k,k＝1,2,…,m}与系统总功耗P_system，得到足够多的样本，设最终用于模型求解的样本数量为s，建立反映运行时预选性能计数器全集F_preslct与系统总功耗P_system对应关系的多元一次方程组，设w₀为常数，μ_t为第t个样本的估计误差，U＝{μ_t,t＝1,2,…,s}，w_k为第k个性能计数器代表的系统行为对系统功耗的影响权值，则多元方程组为：

$\left\{\begin{array}{c}{P}_{system\_1}=w_0+w_1*f_{11}+w_2*f_{21}+w_3*f_{31}\mathrm{......}+w_m*f_{m1}+{\mathrm{\μ}}_1\\ P_{system\_2}=w_0+w_1*f_{12}+w_2*f_{22}+w_3*f_{32}\mathrm{......}+w_m*f_{m2}+{\mathrm{\μ}}_2\\ .\\ .\\ .\\ P_{system\_s}=w_0+w_1*f_{1s}+w_2*f_{2s}+w_3*f_{3s}\mathrm{......}+w_s*f_{ms}+{\mathrm{\μ}}_s\end{array}\right.;$

而且，所述采用多元线性回归法针对多元方程组进行模型求解，以得到各性能计数器对功耗的影响系数，从而建立系统的实时功耗模型，并得到对该系统运行时功耗产生实际影响的有效性能特征值集合的步骤包括：

第四步骤：执行模型求解，其中通过多元线性回归的方法进行模型求解，使得误差平方和最小；

第五步骤：进行模型有效性验证，其中依据多元线性回归的方法的模型检验标准，检验模型的显著性水平α、残差r、相关系数r²、概率p，以验证模型的有效性；

而且，如通过了有效性验证，则得到该系统的功耗模型P_system＝w₀+w₁*f₁+w₂*f₂+…+w_m*f_m、有效特征值集合F_effect、权值集合W＝{w_k,k＝1,2,…,m}；

如未通过有效性验证，则回归到第二步骤，调整预选性能计数器全集F_preslct和测试激励，继续实验。