[发明专利]一种基于在线学习的系统功耗优化的轻量级方法

权利要求书

1.一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：该方法包括步骤如下：

步骤1，用户源程序经过编译和链接生成目标代码；

步骤2，在Linux操作系统平台中，启动内核监控和分析模块，利用该模块监控硬件特性事件；

步骤3，对系统事件进行预处理，进行归一化处理，得到一组特征参数向量；

步骤4，针对温度、性能和功耗联合建立系统功耗模型，将步骤3中得到的特征参数向量传入到功耗模型中；

步骤5，设计值函数中惩罚因子模块，根据不同的惩罚因子的计算模式选择不同的优化模式；

步骤6，基于Q学习算法框架，设计值函数计算模块；

步骤7，基于Q学习算法和惩罚因子，设计代理模块即Agent模块，将功耗模型、惩罚因子和值函数写入到Agent模块中；

步骤8，设计软件定时器，定时启动步骤3和步骤7；

步骤9，执行当前应用程序，然后执行步骤7，再执行步骤3，更新Agent模块，通过该模块中的值函数得到计算值；

步骤10，收敛性设置，根据步骤9中得到的计算值，通过与性能、功耗和温度的理想时钟参数比较，加速Agent模块输出决策结果；

步骤11，根据Agent模块的决策结果，转入执行步骤2，然后进入下一个周期的决策过程，从步骤3开始循环直到用户程序运行完毕。

2.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤1中所述的“用户源程序经过编译和链接生成目标代码”，其作法如下：它是通过gcc编译工具将源代码编译成二进制文件。

3.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤4中所述的“针对温度、性能和功耗联合建立系统功耗模型，将步骤3中得到的特征参数向量传入到功耗模型中”，在其作法的过程中，考虑到功耗、性能和温度受不同的系统事件影响的程度不同，采用一些特定具有代表性的系统事件来进行建立模型，这样既能降低功耗模型的复杂度又能充分的描述出系统功耗的状态。

4.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤5中所述的“设计值函数中惩罚因子模块，根据不同的惩罚因子的计算模式选择不同的优化模式”，在其作法的过程中，考虑到功耗模型中参数优化方式不一样导致出惩罚因子的计算形式不一样，第一种优化模式是自由优化模式，这种工作模式是通过Q学习算法自适应计算出功耗、性能和温度之间最优的空间做出决策；第二种优化模式是受限优化模式，这种工作模式是通过用户根据自己应用环境设定规定范围内的优化空间，机器Q学习算法在这个受限的空间中进行优化参数。

5.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤6中所述的“基于Q学习算法框架，设计值函数计算模块”，其作法如下：

Q学习算法为在确定性回报和动作假定下的Q学习算法，以s表示状态，a表示动作，Q(s，a)表示对状态s下动作a得到的总体回报的一个估计，r为此动作的立即回报，γ为折扣因子，其中0≤γ<1；

步骤6.1， 对每个s，a初始化表项Q(s，a)为0；

步骤6.2， 观察当前状态s；

步骤6.3， 一直重复执行：

选择一个动作a并执行它，该动作为使Q(s，a)最大的a；

接收到立即回报r；

观察新状态s'；

对Q(s，a)按照下式更新表项：

Q(s，a)＝r(s，a)+γ*max Q(s'，a')；

s＝s' 。

6.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤7中所述的“Agent模块”，它是指功耗模型，惩罚因子，值函数以及Q学习算法框架组成的模块。

7.根据权利要求1所述的一种基于在线学习的系统功耗优化的轻量级方法，其特征在于：在步骤8中所述的“设计软件定时器”，其作法如下：在linux中利用select函数编写毫秒级定时器