[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

摘要

一种基于在线学习的系统功耗优化的轻量级方法，步骤如下：1，程序编译成目标代码；2，启动监控模块,监控硬件事件；3，归一化处理事件；4，建立系统功耗模型；5，设计不同的优化模式；6，设计值函数模块；7，将功耗模型、惩罚因子和值函数模块写入代理模块Agent中；8，设计软件定时器，定时启动步骤3和7；9，执行程序、步骤7和3，更新Agent；10，设置收敛性；11，根据Agent模块的结果，转到步骤2，从步骤3开始到运行完毕；通过以上步骤，对温度，性能和功耗综合协同考虑，使用轻量级机器学习算法搜索存在的优化空间，达到低功耗和合理性能要求的效果，解决了嵌入式设备等受限于电池影响工作时间的问题。

主权项

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，用户源程序编译、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，将计算得到的步骤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，将功耗模型、惩罚因子和值函数模块写入到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判断，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；通过以上步骤，通过对温度，性能和功耗综合协同考虑，使用轻量级机器学习算法搜索存在的优化空间，达到降低功耗和保证最低的性能要求的效果，解决了嵌入式设备受限于电池影响工作时间短的问题。