基于情景感知的嵌入式应用软件"性能-功耗"优化研究

Because of the rapid growth in scale of mobile network and the number of users, the mobile network has been widely spead covering almost all levels of network applications. the main constraints to the further development of the mobile terminal is how to provide good performance as long as possible. Effective methods should be found out to make performance-power optimization. Using existing various sensors embedded in the mobile terminals to aware the application scenario, the environment and user state intelligently as well as the computing capacity behind mobile cloud to realize performance-power optimization has good prospects. In this project, using rich sensors in the mainstream smartphones to gather situation data as well as active and reinforcement learning methods to construct mobile Internet software performance-power optimization model.we focus the research work on the relation between the work load, the power consumption and resource utilization of application, establish power consumption effetiveness evaluation model for different types of mobile software. Research will rein in the packaging for cloud computing services, through the service discovery, combination of services to meet user needs, at the same time, reduce energy consumption of the client. The research results of this project will play a positive role in promoting of the cloud computing and the mobile Internet application development.

随着移动网络及用户的快速发展，移动网络应用得到广泛普及，已基本拓展到现有网络应用的各个层面，其进一步发展的主要制约是移动终端在良好性能基础上如何持久的为用户提供服务，需找出一种有效的性能--功耗优化的方法。利用现有移动终端丰富的传感器资源实现对应用场景、环境及用户状态的智能情景感知，并有效利用移动云计算环境中云端计算能力来实现移动终端的性能--功耗优化方法具有良好的前景。本课题拟利用智能手机配置的丰富传感器获取应用情景数据，以主动和增强学习方法为基础构建以应用情景信息模型为依据的移动网络应用软件"性能-功耗"优化模型，重点研究不同情景下移动网路应用软件工作量、功耗、资源利用率等特征的变化关系，建立不同类型软件功耗有效性判定模型；研究将高能耗计算改造为云服务，通过服务发现、服务组合满足用户应用需求，并降低移动终端功耗。本课题的研究成果将为云计算技术及移动网络应用发展与推广起到积极推动作用。

随着移动网络及用户的快速发展， 移动网络应用得到广泛普及， 已基本拓展到现有网络应用的各个层面， 其进一步发展的主要制约是移动终端在良好性能基础上如何持久的为用户提供服务， 需找出一种有效的性能--功耗优化的方法。首先针对智能手机下载策略的不足，基于嵌入式系统CPU功耗预测并对其进行低功耗优化的方法，引入GINI指数的构建训练分类器，对嵌入式系统的CPU频率、电压及所处的状态进行预测。对于基于时间序列的能量优化进行建模，研究了一种以Lyapunov优化框架为基础的移动终端集中下载自适应链路选择算法和基于马尔科夫决策过程的能耗感知下载方法，进而提出一种基于马尔科夫模型的自适应非连续接收机制优化机制。.其次通过分析认证阶段的延迟，并分析频繁切换的热点区域，提出了一种基于频繁切换区域的预认证算法，当启动切换过程之后，移动设备不仅为当前热点启动认证流程，也为频繁切换区域内的热点进行认证。在设备进入这些热点之前，对热点提前认证，从而达到减小迟延及降低功耗的目的，并且提出了一种基于多视图群集认知优化的情景感知推荐方法。最后将情景感知领域中的用户行为识别和设备功耗控制相结合，通过智能手机GPS和加速度计传感器对用户行为进行识别，根据行为识别的结果，从功耗优化策略库中选取相应的功耗优化策略进行优化设置，进一步通过开发功耗嵌入软件原型系统并进行系统测试验证，分别在移动浏览器和移动社交平台验证本项目所提的理论方法是有效的。针对移动浏览器，选取500个热门网站主页,利用支持向量机分析其主页面的HTML及样式表进行特征选择；以此为基础选取最优配置；最后在线下进行学习,构建预测模型，实验显示，所提出的CPU调度模型比DVFS按需调度策略性能提升45%以上，达到Oracle性能的80%。针对移动社交平台微博，验证一种边缘计算模式下基于马尔可夫决策过程(MDP, Markov Decision Process)的能耗优化模型，实验结果表明，相比于使用单一网络的图片刷新模式，在保证不减少用户刷新次数的前提下，所提出的能耗优化模型降低能耗约12.1%。