CN112114648B - 可穿戴设备电源管理方法、系统及计算机设备 - Google Patents
可穿戴设备电源管理方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN112114648B CN112114648B CN202011316397.7A CN202011316397A CN112114648B CN 112114648 B CN112114648 B CN 112114648B CN 202011316397 A CN202011316397 A CN 202011316397A CN 112114648 B CN112114648 B CN 112114648B
- Authority
- CN
- China
- Prior art keywords
- behavior
- energy consumption
- historical
- model
- behavior state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/325—Power saving in peripheral device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/325—Power saving in peripheral device
- G06F1/3268—Power saving in hard disk drive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Power Sources (AREA)
Abstract
本申请涉及可穿戴设备电源管理方法、系统及计算机设备。所述方法包括:获取单节点模式可穿戴设备中传感器采集的历史情景上下文和对应历史行为状态,将其作为训练输入,对预设的基于深度学习的行为分类模型进行训练得到行为分类模型;把当前情景上下文和单节点行为状态输入行为分类模型得到预测行为状态;将历史行为状态对应的移动轨迹作为训练输入,对预先构建的移动行为预测模型进行训练得到移动行为预测模型;将预测行为状态对应轨迹输入移动行为预测模型得到短期未来行为状态;根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。采用本方法可降低可穿戴设备的能耗,延长设备工作时间。
Description
技术领域
本申请涉及电源管理技术领域,特别是涉及一种可穿戴设备电源管理方法、系统及计算机设备。
背景技术
战术场景下解决单兵可穿戴设备电源管理的一个关键问题是决定如何随着时间的推移为各种任务(传感、通信等)分配能量,以便部署的网络继续收集高质量的数据以及尽可能延长各种传感集群的寿命。
目前在传感器集群功率管理和电源管理技术方法已经出现了大量的研究成果,目前最著名的算法(渐进式填充算法)确定了具有可预测的沿时间维度的公平能量分配。PF算法旨在实现电源资源的公平分配,尽可能以统一的方式分配电源能量。Jinseok提出了一种新颖的交互式电源管理技术,其根据应用级上下文(例如,任务请求)和系统级上下文(例如,收获能量可用性和存储的能量)来调整采样率。Herrmann提出了一个上下文感知的动态电源管理(DPM)子系统,它利用上下文知识在运行时调整连续传感应用的行为以及上下文的某些参数。但是没有考虑与其他传感设备相结合的上下文检测技术相关问题;Chenren提出了一个智能的上下文感知全局电源管理系统,以满足移动设备的预期电池寿命,同时尽可能完成用户任务。Wood提出了一种情境感知电源管理协议,它考虑了异构能源,其中一些节点由电池供电,而其他节点则采用集中供电方式。Gorlatova提出了一种算法,用于确定具有可预测以及随机可再生能源输入的系统中沿时间维度的公平能量分配。Bummo提出一种新颖的交互式电源管理技术的工作,该技术根据应用级环境(用户请求)和系统级环境(收获能源可用性)来调整采样率。
上述的一系列电源管理技术研究成果都很好的解决了公平能量分配问题,并在一定程度上解决了全局电源管理问题,但是在对于单兵可穿戴设备终端的电源管理仍存在一些问题,不能充分应用情景上下文实现单兵可穿戴设备电源管理,并且不能解决单兵终端不同行为状态下的电源管理的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够充分应用情景上下文,并解决了单兵终端不同行为状态下的电源管理问题的一种可穿戴设备电源管理方法、系统及计算机设备。
一种可穿戴设备电源管理方法,所述方法包括:
获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和所述历史情景上下文信息对应历史行为状态。
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的所述行为分类模型,得到预测行为状态。
根据所述历史行为状态对应的移动轨迹,将所述移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
将所述预测行为状态输入所述移动行为预测模型,得到短期未来行为状态。
根据所述预测行为状态和所述短期未来行为状态,为所述可穿戴设备中传感器分配电量。
在其中一个实施例中,还包括:将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型采用联邦学习的训练架构进行训练,得到训练好的行为分类模型。
在其中一个实施例中,还包括:根据所述预测行为状态和所述短期未来行为状态,最大化每个所述可穿戴设备的剩余能量为目标,采用非合作博弈机制,当达到纳什均衡时,为可穿戴设备中传感器分配电量。
一种可穿戴设备电源管理系统,包括:单节点、多个可穿戴设备以及云中心,所述多个可穿戴设备设置在所述单节点上,所述单节点和所述多个可穿戴设备与所述云中心之间通过网络连接。
所述单节点包括控制中心,所述控制中心与所述多个可穿戴设备连接,所述控制中心与所述云中心通过网络连接。
所述控制中心包括电源管理模块和任务调度模块。
所述电源管理模块执行上述可穿戴设备电源管理方法步骤,用于对所述多个可穿戴设备进行电源管理。
所述任务调度模块接收所述多个可穿戴设备的所述预测行为状态和所述短期未来行为状态,并根据所述预测行为状态和所述短期未来行为状态确定多个可穿戴设备的计算任务;根据预先设置的计算任务能耗模型,确定所述计算任务对应的能耗函数,将所述能耗函数作为多目标博弈的优化目标函数进行优化,当优化达到预设的优化目标时,输出每个所述计算任务对应的能耗值,将大于预设能耗的所述计算任务发送到所述云中心。
所述云中心接收所述任务调度模块发送的所述计算任务,并进行处理。
在其中一个实施例中,还包括:所述计算任务能耗模型:计算耗能模型、通讯耗能模型以及设备耗能模型。
所述计算耗能模型用于确定所述控制中心执行计算时所消耗的能量。
所述通讯耗能模型用于确定所述控制中心与所述云中心进行网络数据传输所消耗的能量。
所述设备耗能模型用于确定所述可穿戴设备执行所述计算任务所消耗的能量。
在其中一个实施例中,所述可穿戴设备执行所述计算任务所消耗的能量,包括:
所述控制中心执行所述计算任务所消耗的能量,或所述控制中心向所述云中心传输所述计算任务所消耗的能量。
所述云中心执行所述计算任务所消耗的能量和所述云中心接收所述计算任务所消耗的能量。
在其中一个实施例中,还包括:所述任务调度模块接收所述多个可穿戴设备的所述预测行为状态和所述短期未来行为状态,并根据所述预测行为状态和所述短期未来行为状态确定多个可穿戴设备的计算任务。
根据预先设置的计算任务能耗模型,确定所述计算任务对应的能耗函数,将所述能耗函数作为多目标博弈的优化目标函数、以预设时间延迟下的能量消耗最小为约束条件,建立多目标博弈的数学模型,运用正交试验法分析每个设计变量的变化对试验结果的影响,建立设计变量对博弈方收益的影响因子,然后利用模糊聚类法对影响因子进行聚类分析,得到设计变量集合的分类,从而获得了隶属于各博弈方的战略集;根据预设的博弈策略,当优化达到预设的优化目标时,输出每个所述计算任务对应的能耗值,将大于预设能耗的所述计算任务发送到所述云中心。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和所述历史情景上下文信息对应历史行为状态。
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的所述行为分类模型,得到预测行为状态。
根据所述历史行为状态对应的移动轨迹,将所述移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
将所述预测行为状态输入所述移动行为预测模型,得到短期未来行为状态。
根据所述预测行为状态和所述短期未来行为状态,为可穿戴设备中传感器分配电量。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和所述历史情景上下文信息对应历史行为状态。
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的所述行为分类模型,得到预测行为状态。
根据所述历史行为状态对应的移动轨迹,将所述移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
将所述预测行为状态输入所述移动行为预测模型,得到短期未来行为状态。
根据所述预测行为状态和所述短期未来行为状态,为可穿戴设备中传感器分配电量。
上述可穿戴设备电源管理方法,通过获取单节点模式可穿戴设备中传感器采集的历史情景上下文和对应历史行为状态,将其作为训练输入,对预设的基于深度学习的行为分类模型进行训练得到行为分类模型;把当前情景上下文和单节点的行为状态输入行为分类模型得到预测行为状态;将历史行为状态对应的移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练得到移动行为预测模型;将预测行为状态对应的轨迹输入移动行为预测模型得到短期未来行为状态;根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。采用本方法可以降低可穿戴设备的能耗,延长设备的工作时间。
附图说明
图1为一个实施例中可穿戴设备电源管理方法的应用场景图;
图2为一个实施例中可穿戴设备电源管理方法的流程示意图;
图3为一个实施例中可穿戴设备电源管理系统组成框图;
图4为一个实施例中计算机设备的内部结构图;
图5为一个实施例中电源管理系统逻辑框图;
图6为一个实施例中硬盘管理系统流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的可穿戴设备电源管理方法,可以应用于如图1所示的应用环境中。具有多个可穿戴设备的单节点100,单节点100上设置有控制中心102和多个可穿戴设备106,控制中心102和多个可穿戴设备106都可以与云中心进行通信,可穿戴设备106与控制中心102之间可以直接连接或通过网络进行通信。其中,控制中心102可以用具有运算处理能力、存储能力和通信能力的控制器实现,云中心104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,多个可穿戴设备106可以但不限于是各种智能眼镜、智能手表、智能手套、智能服装以及智能首饰等便携式可穿戴设备。每个可穿戴设备106在执行任务时都有一个任务序列,图1中a、b、c、d代表任务编号。综合考虑单节点100的行为和可穿戴设备106的剩余电量,有选择的将任务序列中的任务卸载到云中心来处理,降低设备能耗,延长电池寿命。优先处理剩余能量较低的设备的任务请求,综合考虑计算和通信能耗,以能耗为优化目标。
实施例一:
在一个实施例中,如图2所示,提供了一种可穿戴设备电源管理方法,包括以下步骤:
步骤202:获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和历史情景上下文信息对应历史行为状态。
单节点模式是一个单独的人或具有运动能力的物,在单节点上设置有多个可穿戴设备和多个不同维度和不同类型的传感器集群。
历史情景上下文信息:主要是指采集到的历史场景信息和系统各传感器状态信息(温度,湿度等)。
历史情景上下文信息对应历史行为状态:通过情景上下文管理器获得历史情景上下文信息对应历史行为状态。情景上下文管理器充当传感应用程序和上下文识别服务应用程序的中间层,情景上下文微服务为每个应用注册一组上下文,在此阶段,每个应用程序在每个情景上下文中指定其行为状态。
步骤204:将历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
单节点在可穿戴设备场景下的历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
单节点在可穿戴设备场景下的历史情景上下文信息和单节点的历史行为状态作为训练数据,迁移应用深度学习模型构建单兵模式下的行为分类机制,获得训练好的行为分类模型。
步骤206:将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的行为分类模型,得到预测行为状态。
预测行为状态是短期未来的行为状态的类别。
步骤208:根据历史行为状态对应的移动轨迹,将移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
未来移动行为是通过对单节点的移动频率和当前位置的准确预测,估计出每个移动节点可能产生的未来行为,所以单节点的历史行为状态对应的移动轨迹的获得是关键。由于现在公开可用的用户移动数据是有限的,在一个实施例中根据地图驱动的移动模型提取真实轨迹的运动特征,综合运用仿真方法再现可重构的移动轨迹。根据马尔可夫模型的概率图论知识计算出用户移动到某地的频率和平均所用时间,然后根据边缘节点的移动预测结果,建立一个更一般化的适用于边缘场景的节点移动行为预测模型。
步骤210:将预测行为状态输入移动行为预测模型,得到短期未来行为状态。
步骤212:根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。
情景上下文管理器充当传感应用程序和上下文识别服务应用程序的中间层,情景上下文微服务为每个应用注册一组上下文,在此阶段,每个应用程序在每个情景上下文中指定其行为状态。根据预测行为状态和短期未来行为状态对应的情景上下文管理器的状态和参数,智能动态调节电源为人体体征传感集群和人体行为传感集群的功率输出,最大化优化电源的使用和分配。
上述可穿戴设备电源管理方法,通过获取单节点模式可穿戴设备中传感器采集的历史情景上下文和对应历史行为状态,将其作为训练输入,对预设的基于深度学习的行为分类模型进行训练得到行为分类模型;把当前情景上下文和单节点的行为状态输入行为分类模型得到预测行为状态;将历史行为状态对应的移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练得到移动行为预测模型;将预测行为状态对应的轨迹输入移动行为预测模型得到短期未来行为状态;根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。采用本方法可以降低可穿戴设备的能耗,延长设备的工作时间。
对于步骤204,在其中一个实施例中,将历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型采用联邦学习的训练架构进行训练,得到训练好的行为分类模型。
用深度学习联合管理能量资源,引入联邦学习作为分布式方式训练代理的框架:1)大幅减少通过无线上行通道上传的数据量;2)在实际蜂窝网络中能够很好地适应异构问题;3) 保护个人数据隐私。
每个设备下载代理的参数,并使用自己的数据对下载的模型进行培训,最后只上传更新后的代理的模型参数到云中进行模型聚合。联邦学习使资源受限的穿戴设备无需集中培训数据即可学习共享的代理,得到训练好的行为分类模型。
对于步骤212,在其中一个实施例中,根据预测行为状态和短期未来行为状态,最大化每个可穿戴设备的剩余能量为目标,采用非合作博弈机制,当达到纳什均衡时,为可穿戴设备中传感器分配电量。
将资源调度问题建模为一个游戏,在这个游戏中,士兵身上的可穿戴设备是竞争能量资源的玩家。玩家的任何行为都会影响能量资源调度的决策。由于关注的是分布式方案,所以将重点关注博弈论中的非合作游戏。让表示一个游戏,其中是传感器的集合,是可穿戴设备(传感器)可以使用的一组动作(策略),为传感器 的效用 (支付) 函数。在非合作博弈中,选择每个可穿戴设备的剩余能量为效用函数,以最大化自己的剩余能量为博弈目标,使自己的效用最大化,即。 当达到纳什均衡时,为可穿戴设备中传感器分配电量。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二:
如图3所示,在一个实施例中,一种可穿戴电源管理系统;包括:单节点300、多个可穿戴设备304以及云中心302,多个可穿戴设备304设置在单节点300上,单节点300和多个可穿戴设备304与云中心302之间通过网络连接。
单节点300还包括控制中心306,控制中心306与多个可穿戴设备304连接,控制中心306与云中心302通过网络连接。
控制中心306包括电源管理模块310和任务调度模块308。
电源管理模块310执行上述可穿戴设备电源管理方法步骤,用于对多个可穿戴设备304进行电源管理。
任务调度模块308接收多个可穿戴设备304的预测行为状态和短期未来行为状态,并根据预测行为状态和短期未来行为状态确定多个可穿戴设备304的计算任务;根据预先设置的计算任务能耗模型,确定计算任务对应的能耗函数,将能耗函数作为多目标博弈的优化目标函数进行优化,当优化达到预设的优化目标时,输出每个计算任务对应的能耗值,将大于预设能耗的计算任务发送到云中心302。
云中心302接收任务调度模块308发送的计算任务,并进行处理。
在其中一个实施例中,还包括:计算任务能耗模型:计算耗能模型、通讯耗能模型以及设备耗能模型。
计算耗能模型用于确定控制中心执行计算时所消耗的能量。
通讯耗能模型用于确定控制中心306与云中心302进行网络数据传输所消耗的能量。
设备耗能模型用于确定可穿戴设备304执行计算任务所消耗的能量。
计算耗能模型建模原理:
假设每个 CPU 处理器都具有速度缩放能力,用功率消耗与其处理速度的函数关系来分析CPU处理器的计算耗能问题。在这里,我们认为不同的设备具有不同的计算能力,即不同的处理速度。处理器的功耗随着速度的增加而增加。此外,速度-功率曲线通常用多项式函数 来表示,其中和为设备相关参数(通常被认为在3左右)。
通讯耗能模型建模原理:
考虑用户与网络计算节点的通信使用正交频分复用 (OFDM) 。由于多个用户使用同一信道时的干扰,上行链路的可达传输速率可表示为:,其中是用户的传输功率,是用户和设备之间的信道增益,为其他用户对相邻设备的干扰。此外,节点之间的通信信道拟使用高斯白噪声信道(AWGN),所有的网络计算节点具有固定的接收功率。
设备耗能模型建模原理:
从能量效率的角度研究任务的卸载和资源分配,以使计算任务在延迟约束下的能量消耗最小化。联合优化主要从两个方面进行:一是从用户的角度出发,使自身能量消耗最小化,延长电池寿命;其次,从网络计算节点的角度,最大限度地降低系统的整体能耗,实现绿色节能。
在其中一个实施例中,还包括:通讯耗能模型用于确定控制中心306与云中心302进行网络数据传输所消耗的能量,可穿戴设备304执行计算任务所消耗的能量,包括:
控制中心306执行计算任务所消耗的能量,或控制中心306向云中心302传输计算任务所消耗的能量。
云中心302执行计算任务所消耗的能量和云中心302接收计算任务所消耗的能量。
在其中一个实施例中,还包括:任务调度模块308接收多个可穿戴设备304的预测行为状态和短期未来行为状态,并根据预测行为状态和短期未来行为状态确定多个可穿戴设备304的计算任务。
根据预先设置的计算任务能耗模型,确定计算任务对应的能耗函数,将能耗函数作为多目标博弈的优化目标函数、以预设时间延迟下的能量消耗最小为约束条件,建立多目标博弈的数学模型,运用正交试验法分析每个设计变量的变化对试验结果的影响,建立设计变量对博弈方收益的影响因子,然后利用模糊聚类法对影响因子进行聚类分析,得到设计变量集合的分类,从而获得了隶属于各博弈方的战略集;根据预设的博弈策略,当优化达到预设的优化目标时,输出每个计算任务对应的能耗值,将大于预设能耗的计算任务发送到云中心302。
在其中一个实施例中:任务调度模块包括:协同任务调度器、云中心运行的计算节点和终端运行的计算节点。各个计算节点通过网络链路连接到协同任务调度器上,协同任务调度器负责通过合适的算法将总任务分配到具体的云端和终端计算节点。
实施例三:
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史情景上下文信息及对应的历史行为状态数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种可穿戴设备电源管理方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤202:获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和历史情景上下文信息对应历史行为状态。
步骤204:将历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
步骤206:将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的行为分类模型,得到预测行为状态。
步骤208:根据历史行为状态对应的移动轨迹,将移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
步骤210:将预测行为状态输入移动行为预测模型,得到短期未来行为状态。
步骤212:根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型采用联邦学习的训练架构进行训练,得到训练好的行为分类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预测行为状态和所述短期未来行为状态,最大化每个可穿戴设备的剩余能量为目标,采用非合作博弈机制,当达到纳什均衡时,为可穿戴设备中传感器分配电量。
实施例四:
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤202:获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和历史情景上下文信息对应历史行为状态。
步骤204:将历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型。
步骤206:将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的行为分类模型,得到预测行为状态。
步骤208:根据历史行为状态对应的移动轨迹,将移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型。
步骤210:将预测行为状态输入移动行为预测模型,得到短期未来行为状态。
步骤212:根据预测行为状态和短期未来行为状态,为可穿戴设备中传感器分配电量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将历史情景上下文信息和单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型采用联邦学习的训练架构进行训练,得到训练好的行为分类模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预测行为状态和短期未来行为状态,最大化每个可穿戴设备的剩余能量为目标,采用非合作博弈机制,当达到纳什均衡时,为可穿戴设备中传感器分配电量。
实施例五:
如图5所示电源管理系统,其中一个实施例中电源管理系统500分为三部分:用户502、任务请求序列504和设备506。设备506的行为状态分为四种:工作状态、空闲状态、睡眠状态和转移状态。系统情景上下文信息及设备506的行为状态预测未来设备506的工作状态,根据:
电源管理系统会根据系统情景上下文信息及设备506的行为状态给定的电源管理策略,决定设备506接下来是否进入睡眠状态。
图6所示,在一个实施例中硬盘管理系统,磁盘的行为状态分为:工作状态、空闲状态、休眠状态、转移状态。硬盘在读取数据和写入文件时,磁盘转动,处于工作状态;当没有用户请求到达且序列为空时,设备会进入空闲状态,此时磁盘仍保持转动,但无任何读写操作,由于硬盘在工作状态和空闲状态下相互转移需要的能量消耗极小,因此这两种状态之间的状态转移可以被忽略;硬盘管理系统根据策略,决定何时进入睡眠状态,当硬盘休眠时,磁盘不再转动,但此时磁盘仍有一定的能量消耗;设备在进入睡眠状态过程中会产生固定能耗和转移时间;当有用户请求到达时,硬盘会被唤醒重新进入工作状态,在此过程中会产生硬盘唤醒能耗和状态转移时间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种可穿戴设备电源管理方法,其特征在于,所述方法包括:
获取单节点模式下可穿戴设备中传感器采集的历史情景上下文信息和所述历史情景上下文信息对应历史行为状态;所述单节点模式是一个单独的人或具有运动能力的物,在所述单节点上设置有多个所述可穿戴设备和多个不同维度和不同类型的传感器集群;所述历史情景上下文信息是指采集到的历史场景信息和所述传感器集群状态信息;
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型;
将当前时刻传感器采集的情景上下文信息和单节点的行为状态输入训练好的所述行为分类模型,得到预测行为状态;
根据所述历史行为状态对应的移动轨迹,将所述移动轨迹作为训练输入,对预先构建的基于马尔可夫模型的移动行为预测模型进行训练,得到训练好的移动行为预测模型;
将所述预测行为状态输入所述移动行为预测模型,得到短期未来行为状态;
根据所述预测行为状态和所述短期未来行为状态,为所述可穿戴设备中传感器分配电量。
2.根据权利要求1所述的方法,其特征在于,将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型进行训练,得到训练好的行为分类模型,包括:
将所述历史情景上下文信息和所述单节点的历史行为状态作为训练数据,对预先设置的基于深度学习的行为分类模型采用联邦学习的训练架构进行训练,得到训练好的行为分类模型。
3.根据权利要求1所述的方法,其特征在于,根据所述预测行为状态和所述短期未来行为状态,为所述可穿戴设备中传感器分配电量,包括:
根据所述预测行为状态和所述短期未来行为状态,最大化每个所述可穿戴设备的剩余能量为目标,采用非合作博弈机制,当达到纳什均衡时,为所述可穿戴设备中传感器分配电量。
4.一种可穿戴设备电源管理系统,其特征在于,包括:单节点、多个可穿戴设备以及云中心,所述多个可穿戴设备设置在所述单节点上,所述单节点和所述多个可穿戴设备与所述云中心之间通过网络连接;
所述单节点包括控制中心,所述控制中心与所述多个可穿戴设备连接,所述控制中心与所述云中心通过网络连接;
所述控制中心包括电源管理模块和任务调度模块;
所述电源管理模块执行权利要求1-3中任意一项所述方法步骤,用于对所述多个可穿戴设备进行电源管理;
所述任务调度模块接收所述多个可穿戴设备的所述预测行为状态和所述短期未来行为状态,并根据所述预测行为状态和所述短期未来行为状态确定多个可穿戴设备的计算任务;根据预先设置的计算任务能耗模型,确定所述计算任务对应的能耗函数,将所述能耗函数作为多目标博弈的优化目标函数进行优化,当优化达到预设的优化目标时,输出每个所述计算任务对应的能耗值,将大于预设能耗的所述计算任务发送到所述云中心;
所述云中心接收所述任务调度模块发送的所述计算任务,并进行处理。
5.根据权利要求4所述的系统,其特征在于,所述计算任务能耗模型:计算耗能模型、通讯耗能模型以及设备耗能模型;
所述计算耗能模型用于确定所述控制中心执行计算时所消耗的能量;
所述通讯耗能模型用于确定所述控制中心与所述云中心进行网络数据传输所消耗的能量;
所述设备耗能模型用于确定所述可穿戴设备执行所述计算任务所消耗的能量。
6.根据权利要求5所述的系统,其特征在于,所述可穿戴设备执行所述计算任务所消耗的能量,包括:
所述控制中心执行所述计算任务所消耗的能量,或所述控制中心向所述云中心传输所述计算任务所消耗的能量;
或所述云中心执行所述计算任务所消耗的能量和所述云中心接收所述计算任务所消耗的能量。
7.根据权利要求4所述的系统,其特征在于,所述任务调度模块接收所述多个可穿戴设备的所述预测行为状态和所述短期未来行为状态,并根据所述预测行为状态和所述短期未来行为状态确定多个可穿戴设备的计算任务;根据预先设置的计算任务能耗模型,确定所述计算任务对应的能耗函数,将所述能耗函数作为多目标博弈的优化目标函数进行优化,当优化达到预设的优化目标时,输出每个所述计算任务对应的能耗值,将大于预设能耗的所述计算任务发送到所述云中心,包括:
所述任务调度模块接收所述多个可穿戴设备的所述预测行为状态和所述短期未来行为状态,并根据所述预测行为状态和所述短期未来行为状态确定多个可穿戴设备的计算任务;
根据预先设置的计算任务能耗模型,确定所述计算任务对应的能耗函数,将所述能耗函数作为多目标博弈的优化目标函数、以预设时间延迟下的能量消耗最小为约束条件,建立多目标博弈的数学模型,运用正交试验法分析每个设计变量的变化对试验结果的影响,建立设计变量对博弈方收益的影响因子,然后利用模糊聚类法对影响因子进行聚类分析,得到设计变量集合的分类,从而获得了隶属于各博弈方的战略集;根据预设的博弈策略,当优化达到预设的优化目标时,输出每个所述计算任务对应的能耗值,将大于预设能耗的所述计算任务发送到所述云中心。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011316397.7A CN112114648B (zh) | 2020-11-23 | 2020-11-23 | 可穿戴设备电源管理方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011316397.7A CN112114648B (zh) | 2020-11-23 | 2020-11-23 | 可穿戴设备电源管理方法、系统及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112114648A CN112114648A (zh) | 2020-12-22 |
CN112114648B true CN112114648B (zh) | 2021-02-09 |
Family
ID=73794525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011316397.7A Active CN112114648B (zh) | 2020-11-23 | 2020-11-23 | 可穿戴设备电源管理方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114648B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818556B (zh) * | 2021-02-09 | 2024-05-07 | 上海真灼科技股份有限公司 | 一种智能电子设备的能量均衡使用管理方法 |
CN113515890B (zh) * | 2021-05-21 | 2024-03-08 | 华北电力大学 | 一种基于联邦学习的可再生能源日前场景生成方法 |
CN114818095B (zh) * | 2022-06-30 | 2022-09-20 | 武昌理工学院 | 一种绿色建筑弹性约束节能优化方法 |
CN116580448B (zh) * | 2023-04-11 | 2024-04-16 | 深圳市大数据研究院 | 一种行为预测方法、系统、电子设备及存储介质 |
CN116736962B (zh) * | 2023-08-09 | 2023-12-01 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707806A (zh) * | 2012-05-18 | 2012-10-03 | 北京航空航天大学 | 一种基于加速度传感器的运动识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7441135B1 (en) * | 2008-01-14 | 2008-10-21 | International Business Machines Corporation | Adaptive dynamic buffering system for power management in server clusters |
US10419886B2 (en) * | 2014-09-25 | 2019-09-17 | Intel Corporation | Context-based management of wearable computing devices |
US20180307294A1 (en) * | 2015-11-10 | 2018-10-25 | Sony Semiconductor Solutions Corporation | Electronic device, control circuit, and method of controlling electronic device |
CN108810272B (zh) * | 2018-06-07 | 2020-10-13 | 中国人民解放军战略支援部队信息工程大学 | 基于移动终端多传感器的行为识别模型训练方法及装置 |
KR20200046191A (ko) * | 2018-10-19 | 2020-05-07 | 한국전자통신연구원 | 실시간 사용자 행위 분석에 의한 계층적 상황인지 및 디바이스 자율 구성 장치 및 그 방법 |
CN110377352B (zh) * | 2019-05-20 | 2022-06-14 | 中国人民解放军军事科学院战争研究院 | 基于移动设备云系统的任务处理方法和装置 |
CN110471771A (zh) * | 2019-08-16 | 2019-11-19 | 佳源科技有限公司 | 一种配电实时操作系统 |
-
2020
- 2020-11-23 CN CN202011316397.7A patent/CN112114648B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707806A (zh) * | 2012-05-18 | 2012-10-03 | 北京航空航天大学 | 一种基于加速度传感器的运动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112114648A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112114648B (zh) | 可穿戴设备电源管理方法、系统及计算机设备 | |
Yan et al. | Pricing-driven service caching and task offloading in mobile edge computing | |
Xu et al. | Edge intelligence: Architectures, challenges, and applications | |
Zhang et al. | Cooperative-competitive task allocation in edge computing for delay-sensitive social sensing | |
Khairy et al. | Smartphone energizer: Extending smartphone's battery life with smart offloading | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
Gao et al. | Deep reinforcement learning based task scheduling in mobile blockchain for IoT applications | |
Xiao et al. | Collaborative cloud-edge service cognition framework for DNN configuration toward smart IIoT | |
Patel et al. | Performance comparison of deep VM workload prediction approaches for cloud | |
Chen et al. | Joint optimization of sensing and computation for status update in mobile edge computing systems | |
Xu et al. | Computation offloading algorithm for cloud robot based on improved game theory | |
Xu et al. | Deep reinforcement learning for dynamic access control with battery prediction for mobile-edge computing in green iot networks | |
Qu et al. | Stochastic cumulative DNN inference with RL-aided adaptive IoT device-edge collaboration | |
Liu et al. | Joint Optimization of Multiuser Computation Offloading and Wireless-Caching Resource Allocation With Linearly Related Requests in Vehicular Edge Computing System | |
Jeon et al. | Harvnet: resource-optimized operation of multi-exit deep neural networks on energy harvesting devices | |
Chen et al. | An intelligent task offloading algorithm (iTOA) for UAV network | |
CN118193072A (zh) | 服务器休眠的控制方法及装置、存储介质及电子设备 | |
Gu et al. | On Intelligent Placement Decision-Making Algorithms for Wireless Digital Twin Networks Via Bandit Learning | |
Gong et al. | Dependent Task‐Offloading Strategy Based on Deep Reinforcement Learning in Mobile Edge Computing | |
Tiku et al. | Energy-efficient and robust middleware prototyping for smart mobile computing | |
Atan et al. | Ai-empowered fast task execution decision for delay-sensitive iot applications in edge computing networks | |
CN117858109A (zh) | 基于数字孪生的用户关联、任务卸载和资源分配优化方法 | |
Xie et al. | Backscatter-aided hybrid data offloading for mobile edge computing via deep reinforcement learning | |
Xiang et al. | Federated deep reinforcement learning-based online task offloading and resource allocation in harsh mobile edge computing environment | |
Liu et al. | Efficient multi-user for task offloading and server allocation in mobile edge computing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |