基于机器学习的嵌入式Internet的"性能-功耗"优化研究

嵌入式Internet服务代表着Internet、网络服务以及嵌入式系统的未来方向。在网络环境中嵌入式设备的性能与功耗不仅与客户端有关，也与网络服务端的网络服务的结构、协议及交互有关。如何构造以嵌入式系统性能-功耗最优为目标的网络服务是一个迫切需要解决的问题。本课题将分别从应用优化和主动和持续的机器学习的方法，根据用户行为和适合的网络服务模式进行嵌入式Internet服务的优化研究，在满足用户对性能要求的基础上，达到有效降低系统功耗的目的。在应用优化方面主要从嵌入式Internet服务模型与体系结构，信息交互与通信模式，服务的查找、定位与匹配等方面展开研究；在机器学习研究方面则通过建立适合嵌入式平台的形式化的特征提取描述方法、反映具体环境的特征信息集合及训练模型等，形成适合嵌入式Internet服务的"性能-功耗"优化模型。本课题的研究成果将为基于嵌入式系统的网络应用与推广起到积极促进作用

嵌入式Internet应用“性能-功耗”优化问题是当前嵌入式系统研究的热点和难点问题之一。本课题组基于机器学习理论，研究了嵌入式Internet应用“性能-功耗”相关技术，并将其应用于嵌入式系统功耗管理领域。主要研究点包括：基于Linux的软件级CPU低功耗模型；基于GINI指数分类的嵌入式CPU功耗预测优化方法；传输协议的能耗对比研究；手机低功耗大数据下载策略研究；基于背景扫描的WiFi网络切换功耗优化。研究成果包括，发表论文13篇，其中被EI检索10篇，专利4项，实现原型系统4个，培养硕士生6人，博士生4人。