基于用户行为的移动系统能耗管理技术研究

With the development of the Internet of Things and the blooming of complex applications (e.g. Virtual Reality), mobile device becomes an integrity part of our daily life. However, its usage is restricted by the battery capacity, energy optimization is a primary issue that needs to be solved immediately. Previous researchers paid more attention to the energy efficiency improvement of hardware components, which cannot solve the problems caused by the software applications. Besides, as the results of ignoring the variety of mobile users and lacking of cooperation among energy strategies, the benefit of energy optimization strategies is not very promising. Under this circumstance, we propose a user behavior driven power management system for mobile devices to improve system energy efficiency. Firstly, after analyzing the user-device interaction behavior, we build multi-dimensional behavior model, leverage machine learning algorithms to extract behavior patterns and predict user behaviors based on usage pattern entropy to figure out the potential energy optimization space. Secondly, with the increasing demanding of complex applications, we take the functional module as the granularity to describe the characteristics of an application and build energy models accordingly, so that we can provide a solid theoretical basis for energy optimization with the consideration of real usage scenarios. Finally, based on the characteristics of users and applications, we propose several energy optimization strategies and a user-centric power management system which can dynamically select and combine the strategies to achieve the maximum energy savings. This proposal will greatly improve the energy efficiency of mobile systems and has a huge impact in the energy optimization field, the power management system provides a valuable platform for energy saving research.

随着物联网的发展和虚拟现实等复杂应用的兴起，移动设备已融入人们生活的方方面面。然而，有限的电池容量制约着用户的使用，能耗优化是亟待解决的问题。传统方案多关注于提升硬件能效比，无法解决软件应用造成的能源浪费，而且统一的能耗优化策略忽视了移动用户多样性的特点，策略间协同不足，节能效果难以完全发挥。本项目突破能耗优化方案的单一性，深入分析用户行为，构建多维度行为刻画模型，利用机器学习算法提取行为模式，并基于行为模式熵进行预测，挖掘潜在的能耗优化空间；针对软件应用，提出以功能模块为粒度刻画程序特性，研究低开销高可用的能耗模型，结合实际场景进行预估分析，更好地为能耗优化提供理论依据；基于用户使用特征和程序功能特性，指导系统构建智能的个人化的能耗管理策略，以挖掘系统最优能效比。本项目的研究成果最大程度的提升移动系统能源利用率，为能耗领域的研究提供基础数据支持和能耗管理平台，对能耗优化发展具有重要意义。

移动设备融入了人们生活的方方面面，有限的电池容量制约着移动设备的使用，能耗问题是移动设备发展的主要瓶颈之一。本报告阐述了移动系统能耗优化智能调度相关方法及目前存在问题，重点从用户行为分析方法、程序能耗分析预测方法和能耗优化调度策略三个方面进行了研究，为实际应用问题提供科学的解决方案。.用户行为分析方法的主要目标是提取行为模式，准确的预测用户需求，从而可以在不影响用户体验度的前提下更好的挖掘能耗优化的空间。首先，通过收集相关数据构建多维度的行为刻画模型；其次，利用数据聚类方法提取行为模式，而且考虑到用户行为随时间的演化，动态学习更新已有的行为模式；在获取的行为模式基础上准确预测用户的行为，为系统调度提供实时用户数据支撑。实验表明，移动用户使用 APP 的行为模式与 APP 特性、使用频次、使用时间段等特征有关，具有一定的模式，可以用于行为预测。.本报告研究基于功能特性的能耗分析预测方法，通过分析程序的资源敏感度，基于聚类算法对功能模块进行分类和提取；构建基于状态和使用特性的硬件功耗模型；根据功能模块对各类资源的使用情况，结合功耗模型，预估功能模块的能耗及计算开销。通过测试分析20多个移动应用的预测能耗和实际能耗对比情况，保证提出的能耗方法误差范围控制在5%以内。.以能耗数据和用户行为数据为支撑，本研究提出了两种能耗优化调度策略：智能化程序筛选调度策略，以用户行为模式作为任务调度的关键性决定因素，基于行为模式研究应用程序的筛选规则，并且以能耗友好的方式制定任务调度策略；环境感知的任务迁移调度策略，通过计算其他节点可用资源性能特征，把任务合理迁移，达到优化本地能耗的目标。.通过研究发现，能耗问题在实际生产生活中仍存在着很大的需求，不仅是手机之类的小型移动设备，对未来自动驾驶电动汽车等各种智能设备也十分重要。后续研究可以关注基于人工智能的自动化策略配置和能源网构建等方面，进一步提高能源利用率，增强用户体验。