一种自适应和集成低功耗的多核移动计算的框架

文摘

采用多核在智能手机等移动计算和物联网(物联网)设备是一把双刃剑。它提供了所需的计算能力在最近智能手机服务包括语音识别、图像处理、大数据分析,深入学习。然而,它需要大量的能源消耗,导致创建一个热热点和施压的能量在一个移动设备资源。在本文中,我们提出一个新颖的框架,集成了两个著名的低功耗技术,DPM(动态电源管理)和dvf(动态电压和频率缩放)多核手机系统的能源效率。拟议的框架是适应性的关键特性。通过监控网络资源的使用,如CPU利用率和功耗,框架可以编排不同金刚石和dvf政策根据工作负载特征。真正的实现基础实验使用三个移动设备已经表明,它可以减少电力消耗从22%到79%不等,而影响可以忽略的工作负载的性能。

1。介绍

智能服务积极引入移动计算环境1,2]。例如,现代的黑盒设备支持不仅传统的录音服务还ADAS(高级驾驶员辅助系统)等盲点监控、行人检测和自动紧急制动。智能手机提供更好的人机交互语音识别和图像处理(人机界面)和大数据处理和深度学习上下文感知服务的考虑用户的个性。

有效地支持智能服务,移动计算设备配备多个核心。智能手机的异构多核架构,叫做大。小,包括performance-optimized大核和energy-optimized小核与单个ISA(指令集架构)3]。最近发布的嵌入木板等物联网(物联网)覆盆子π,Odroid,爱迪生,杰森,Artik也提供了多核(4- - - - - -6]。

然而,使用多核在移动设备上触发一个新问题。随着核数量的增加,核使用的能耗成为移动设备的重要部分。增加功耗带来压力在一个移动设备能源由于电池容量的限制7]。此外,它导致一个移动设备内部温度高(8),有可能导致热失控(9]。

解决多核能源消耗问题,两位知名的技术设计(7,10]。一个是DPM(动态电源管理),也被称为离线,关闭个人核心为了减少每个核电力消耗(11]。其他技术是dvf(动态电压和频率缩放),减少频率和电压的一个核心。(12]。

一个有趣的观察是,大多数移动应用程序并行性(有限13- - - - - -15]。例如,搜索引擎优化等人分析如何利用多核在移动设备上使用张力腿平台(线程级并行性),并观察到TLP大多数移动应用程序,从1.4到3.9 (15]。这意味着所需的活跃的核心应用程序平均小于3.9,披露DPM和dvf的机会。

在本文中,我们提出一种新的移动设备低功耗的多核框架。它同时支持数据处理机和dvf以集成的方式。同时,它跟踪应用程序的CPU负载和打开/关闭核或更改频率自适应,这样就可以减少功耗,同时试图减少其对性能的影响。

框架由三部分组成,即网络资源使用情况监控,低功率控制器,和政策经理。在线资源监控器收集资源使用统计数据,如CPU利用率和功率测量。该控制器实现金刚石和dvf技术使用LinuxCPU热插拔和州长机制,分别16,17]。

最后,关于如何集成策略管理器提供了一个规则DPM和dvf技术基于他们的开销和对功耗的影响。也适用于集成解决方案适当根据资源使用应用程序的特征。此外,它支持用户界面,以便用户可以配置他/她自己的控制参数。

我们实现了在Linux内核版本3.10框架,评估其有效性使用三个移动设备。workload-aware适应性的实验结果表明,该框架可以减少电力消耗从22%到79%不等,虽然不是大大影响工作负载的性能。同时,我们观察到功率降低取决于一个移动设备的特点,尤其是在大。小建筑。

本文的其余部分组织如下。节2,我们将解释先前的研究与此相关的工作。然后,我们提出了框架中讨论部分3。部分4提出了基于实际实现的实验结果。最后,我们总结的结论和未来的工作部分5。

2。相关工作

随着能源效率成为关键问题,大量的研究已经进行了分析和提高移动计算系统的功耗。在本节中,我们将这些研究分为以下四类:功耗分析,工作负载分析,DPM / dvf技术和系统/应用程序级的方法。

2.1。能耗分析

的理解,如何在移动设备的功率消耗是一个关键的要求高效的电源管理。卡罗尔和黑详细分析使用谷歌Nexus One手机的功耗,HTC梦想,OpenMoko Neo Freerunner [18]。他们不仅提供整个系统功率也是权力的分解消耗的主要硬件组件。他们的分析表明,无线通信和显示权力的最大消费者。同时,CPU被确定为一个沉重的消费者尤其是对于CPU密集型工作负载和暂停状态。

随着核数量的增加,核使用的能源消耗也大幅增加。一些研究表明,功耗增加活动核心的数量,随着电压和频率的增加6- - - - - -8]。Tawara等人也存在功耗如何影响内部温度使用温度记录(8]。朱镕基和沈观察,即使功耗核心数目的增长而增加,第一个激活核心带来电力成本远高于每个额外的核心在相同的处理器由于共享资源(6]。

2.2。工作负荷分析

即使在移动设备中使用多核增加了能耗,也给出了减少应用程序执行时间的机会,最终导致节能。探索的机会,几项研究已经检查有多少并行在移动应用程序13- - - - - -15]。

高等人分析如何利用多核在移动设备上使用张力腿平台(线程级并行性)13]。他们报告说,张力腿平台的移动应用程序包括浏览器、地图、音乐和游戏平均小于2,这意味着活动核心的数量由大多数应用程序使用低于2。类似的行为也观察到Zhang et al。14]。Seo等人调查TLP使用各种移动基准应用程序在移动设备和观察到的应用程序有张力腿平台从1.4到3.915]。这些研究发现的必要性关闭核或调整电压和频率自适应地根据不同程序执行阶段。

2.3。金刚石/ dvf技术

DPM和dvf是两个著名的动态CPU管理能源利用的技术。对于金刚石,Linux提供CPU热插拔机制,允许内核从正在运行的内核中添加或删除(16]。州长dvf, Linux支持机制,允许用户调整CPU频率(17]。有几个州长如ondemand, powersave,和性能,将在部分进一步讨论3。

卡罗尔和黑探索如何使用空闲和dvf减少功耗7,19]。他们提出一个框架,调用美杜莎、offline-aware频率州长于一体的核心线下与变频。此外,他们发现,现代智能手机有不同的特征,这意味着政策,工作在一个处理器会导致糟糕的结果。Tawara等人设计的一个框架,调用减少闲置打开/关闭核或CPU频率动态变化根据工作负载的强度8]。

这两个工作是与我们的工作密切相关,因为它们集成DPM dvf和应用自适应地根据工作负载特征。然而,我们建议的框架与他们的不同之处在于以下三个方面:(1)我们不仅考虑齐次还异构多核设备,(2)我们认真独立的政策和机制来支持灵活性,和(3)我们提供一个配置文件与各种控制参数,以便用户可以轻松配置他/她的优先政策。

朱镕基等人观察,唤醒延迟睡觉的核心需要几百微秒,这是至少比频率变化慢100倍延迟(20.]。隐藏这个延迟,他们设计一个预期维持高性能CPU唤醒。歌等人提出一个框架,适用于低功耗技术基于用户预期的响应时间分析(21]。

Wamhoff等人设计一个图书馆,分配不均匀,甚至提高加速性能的频率(22]。基耶西等人提出了节能调度算法在不同的架构,以降低峰值功率(23]。

金刚石和dvf也在实时学习研究领域(10,24,25]。Bambagini等人提出一个调查报告,讨论了各种节能意识的调度算法实时移动系统(24]。李肇星和Broekaert设计一个基于dvf低功耗调度程序,利用松弛时间与一个intratask侵入性的方法(25]。陈等人设计的技术模型个人核心的空闲间隔优化dvf和DPM实时任务(10]。

2.4。系统/应用程序级方法

罗伊等人提出一种新的操作系统煤渣能源,因为手机和电脑设备(26]。它支持两个新的抽象,储备和水龙头,能量存储和分发应用程序。斯诺登峰等人设计的框架;他们引用它考拉,它提供了一个模型,广义energy-delay政策,一个单一的参数调优系统整体能源管理目标(27]。

沈等人提出一个新的操作系统设施,权力的容器,控制个人的电力和能源使用细粒度的请求在多核系统28]。朱和沈观察能源比例失调在多核设备,第一个运行CPU产生电力成本远高于每个额外的核心是(6]。Kwon等人提出一个框架,预测计算资源消耗在移动设备上使用程序分析和机器学习(29日]。

Thiagarajan等人设计一个测量基础设施能源使用的移动浏览器呈现web页面,如电子邮件、电子商务和社交网站(30.]。使用的基础设施,他们观察到下载和解析CCS(级联样式表)和JavaScript消耗很大一部分能源,如何设计网页推荐给提高能源效率。Bui等人提出的技术,即自适应内容绘画和application-assisted调度,提高网页加载的能源效率(31日]。

3所示。适应性和低功耗框架集成

在本节中,我们首先解释的总体结构框架和原理用于设计框架。然后,我们依次讨论每一个组件的细节。

3.1。总体结构

图1显示自适应的总体结构和集成提出了低功耗框架。它由三部分组成,称为网络资源使用监控、策略管理器和低功耗控制器。

当我们设计框架,我们使用分离政策的设计原则和机制来支持灵活多样的政策。策略管理员负责决策,而低功耗控制器提供了金刚石和dvf机制。在线资源监控器是用来支持基于资源使用模式的适应性包括CPU利用率和功耗。

目前,框架工作三个multicore-based移动计算设备,即Odroid许(32],覆盆子Pi2 [33,松6434]。注意,该框架可以安装任何基于Linux的设备,因为它只利用标准Linux接口。

3.2。低功耗控制器

低功耗控制器组件提供金刚石和dvf机制。具体地说,它利用CPU热插拔机制(16DPM)和调节器(17]dvf如图1。

CPU热插拔是一种机制,动态地打开和关闭一个核心。它最初被设计成允许失败的核心从正在运行的系统,但现在普遍用于能源管理。

图2显示了低功耗控制器的内部行为。CPU热插拔机制支持文件,/ sys /设备/系统/ CPU / cpu_number /在线文件,到用户空间使用sysfs文件系统是一个伪文件系统输出各种信息在Linux内核。用户可以打开或关闭一个核心通过编写1或0的文件。

当打开或关闭一个核心,核心经过各种状态,如有可能,现在,活跃,和在线(35]。在每个州,机制调用CPU-specific司机提供的各种功能,如cpu_up (), cpu_online (), cpu_down(),和cpu_down_prepare ()。最后,开/关请求应用于指定的核心硬件水平。

最耗时的工作在CPU热插拔机制是上下文管理。关掉一个核心,它需要保存的背景下,这一过程在核心上运行,环境迁移到另一个核心继续执行。打开一个核心,它必须准备一个新的活跃的核心调度队列。因此,核心的延迟开/关远高于改变频率的核心。我们需要考虑这种差异对我们的低功率管理集成。

dvf,州长的低功耗控制器利用机制。它允许动态地改变一个核心的频率。它支持一个文件,/ sys /设备/系统/ cpu / cpu_number / cpufreq / scaling_governor,到用户空间,如图2。

Linux使用几个默认的州长,即性能、powersave, ondemand,保守,和用户空间17]。这些官员的区别如图3。在performance调控器,一个核心总是运行在最大频率。相反,在powersave调控器,一个核心运行的最低频率。

ondemand调控器,一个核心运行最初的最低频率。当CPU负载的增加,频率立即成为最大频率最小化dvf在应用程序执行时间的影响。当负载减少时,频率逐渐下降到最低频率。conservative调控器,一个核心运行最初的最低频率ondemand调控器。但是,当负载变得密集,频率逐渐增加。最后,userspace调控器允许任何频率由一个用户组。

商业智能手机扩展这些州长,设计他们自己的特定的州长。例如,Android使用一个州长,叫做互动州长,行为类似于ondemand调控器但更快的响应(15]。

每个州长是基于一个子系统,调用cpufreq提供接口来显式地设置在核心频率。这个子系统最终利用CPU-specific驱动程序实际上实现CPU开/关和频率变化功能等各种供应商的手臂,英特尔和AMD。

低功耗控制器集成了CPU热插拔和州长机制等提供了虚拟接口和。这些接口调用适当的机制的基础上,决定由政策经理,这将进一步讨论部分3.4。

3.3。网络资源使用情况监控

在线资源使用监控提供多少信息资源使用的当前工作负载,这样我们的框架可以应用低功耗自适应机制。它使用的Linuxproc文件系统,测量各种资源使用情况统计信息如CPU利用率、内存占用,功耗和流程活动。此外,它报告测量数据通过一个web页面使用node . js。

图4介绍了CPU利用率统计来衡量Odroid许的监控设备。这个设备有大。小建筑,包括四个核心(手臂Cortex-A7)和四大核心(手臂Cortex-A15)。图中显示的第一个小核心(CPU0)运行在1.4 GHz的频率利用率为用户的系统,和空闲状态是6.79%,3.61%,和88.72%,分别。

衡量电力消耗,监控利用功率测量功能已经装备在一个移动设备。Odroid许设备支持等功能,提供每个单元的能耗包括大核心,核心,GPU和RAM。设备不支持这样的功能,覆盆子π2和松树64在这篇文章中,我们利用外部功率计可以量化评估的整体功耗电压驱动的动力装置。

3.4。策略管理器

根据测量信息提供的在线资源使用监控、策略管理器使政策能够带来更好的能源效率。然后,它执行政策使用接口支持的低功耗控制器。

策略管理员介绍四个控制参数,即max_utilization、min_utilization max_frequency,和min_frequency。前两个参数用于触发策略管理员来执行其政策而后者两个参数用于dvf。例如,当当前的核心利用率高于max_utilization,触发策略管理员增加计算资源。

因为我们的框架集成了两种技术,DPM dvf,我们需要有一个规则技术的应用。策略管理器支持两种选择。第一个选项是提供一个接口,以便用户可以指定他/她的偏好。第二个选择是给一个默认的规则通过考虑两种技术的开销和功能的移动设备。

设计默认规则的指导原则,我们分析的开销的技术和权力降低他们使用网络资源使用情况监控。我们做出以下三个观察。首先,延迟关闭的核心是比这长得多的时间改变一个核心的频率。第二,权力被关掉核心小于减少核心的频率。这个结果也观察到卡罗尔和黑的研究,建议每个人都应该积极“离线核心保守和减少频率”19]。这部分是因为核心共享各种资源在同一处理器(6]。第三,使用的功率大核心远高于核心。

我们的观察让我们设计一个算法,算法所示1当我们调用减少计算资源。算法更喜欢大核小,喜欢dvf DPM默认情况下。具体地说,它首先尝试减少频率大核心之一。如果它是不可能的,它试图关闭的一大核心。如果不可行,它试图减少频率和关闭一个核心在小核。当一个人的四个“如果”条件满足,这个函数返回没有更进一步。

算法2提出了一种算法,增加计算资源。这个算法是反向的序列的算法1。它给出了一个更高的优先级为核心。然后,它试图打开一个核心之前增加的频率。一级和下一级的伪代码是由州长,讨论了在图3。

策略管理器提供了一个配置文件,这样用户可以配置他/她的首选参数。参数包括最小/最大利用率,最小/最大频率,DPM / dvf偏好,监测,和监控号码。默认值的偏好,监测,和监控号码是DPM偏好,200毫秒,分别和5。监控号码是连续的数量测量计算的移动平均CPU利用率。当它很小,政策试图积极应用低功耗技术。当用户喜欢dvf,第一/伪代码的第三部分是改变了第二/第四部分。

4所示。评价

在本节中,我们首先描述我们认为本文实验设备和工作负载。然后,我们讨论评估结果从电力测量能力和节能通过拟议的框架。

4.1。实验环境

我们实现了该框架在3.10版本的Linux内核。网络资源使用监控使用proc文件系统监控和报告使用的统计数据通过一个web页面使用node . js。低功耗管理器提供了集成的低功率接口基于CPU热插拔和调节器。策略管理员被实现为一个守护进程,分析资源使用情况统计每200毫秒时和应用集成的低功率接口当前CPU利用率高于/低于阈值的最大/最小利用率,其默认值在这个实验中80%和20%。

表1总结了三种移动计算设备用于本研究。Odroid许设备有大。小建筑,包括四个核心(Cortex-A7)和四大核心(Cortex-A15)。每个核心支持相同的ISA和装备L1, L2缓存,L2缓存大小的小和大的核心是512 KB和2 MB,分别。覆盆子π2和松树64设备均匀四核心,分别Cortex-A7和Cortex-A53。注意,多核体系结构用于Odroid许,也称为Exynos 5422,实际上是用于商业移动设备包括三星Galaxy S5和Chromebook 2。

我们使用三个工作负载实验。第一个是一个录像,如图5(一个)。这是一个I / O密集型工作负载,记录使用相机,并通过液晶显示。第二个是Sunspider测试套件(36]。它是一种CPU密集型工作负载测试JavaScript性能包括函数调用,数学,没有渲染和递归。第三个是一个行人检测使用哈雾分类器(37]。

4.2。评价结果

4.2.1。准备视频录制工作结果

本节包含两个部分。在第一部分中,我们解释评价结果观察到使用异构的Odroid许设备8核。第二部分是树莓皮和松树的结果64设备均匀4核。注意,在Odroid许,我们可以测量每个组件的能耗分别使用测量功能已经在设备装备,64年树莓皮和松树,我们只测量总功率消耗的设备使用外部功率计,作为讨论的部分3.3。

图6介绍了功率测量的结果Odroid许设备处于空闲状态时。结果报告的在线资源使用监控部分中讨论3.3。这个测量下进行基线配置,所有硬件组件驱动。研究结果表明,大核最重的电力消费者,使用0.929瓦,而小核,GPU, DRAM消耗0.155,0.055,和0.096瓦特。注意,大核消耗相当大权力甚至处于闲置状态,说明金刚石和dvf技术的重要性。

评价电力消耗减少了我们建议的框架,我们执行录像工作负载下的两个配置,如图7。第一个配置基线,不应用任何低功耗技术。第二个配置是在我们的框架下,贴上AI-framework图(自适应和集成框架)。

由于录像不是CPU密集型工作负载,它只使用一个核心的执行期间。因此,我们打开一个小框架的核心,而关掉其他内核。相反,在基线,所有核心动力和工作负载大多运行在的一大核心。结果,功率消耗大核心变成了2.44瓦特的基线,而消耗的AI-framework由于离线0.13瓦特。功率消耗小芯AI-framework 0.42瓦特,高于基线。的所有核心基准所消耗的总功率2.66瓦特而消耗的AI-framework 0.55瓦特(减少79%)。

图8介绍了功率测量结果用覆盆子π2和松树64闲置和录像的情况下。请注意,这些设备提供频率变化的功能,不支持个人核心的动态关机功能。因此,在这个实验中,AI-framework利用dvf技术。

结果表明,我们建议的AI-framework可以减少功耗减少CPU频率适当。对树莓皮,它减少了功耗从0.27到0.23瓦特在空闲状态下,从0.47到0.36瓦特当我们运行录像的工作负载。64年松,它减少了从0.34到0.24瓦,从0.75到0.73瓦特。视频录制工作负载的减少相对较低64年松设备。我们猜想,相机模块装备64年松设备消耗了大部分的电力消耗,导致这个小小的区别。我们离开组件级的细粒度的权力分析未来的工作。

4.2.2。Sunspider的工作结果

图9礼物活动核心的数量上的执行期间Sunspider的工作负载在AI-framework Odroid许设备。它表明,当工作负载需要大量计算资源,活动核心的数量增加到最大的核心。当工作负载不需要那么多的计算资源,活跃的核心减少到一个核心。它确实表明,我们的框架支持根据工作负载适应性特征。

图10介绍了功耗、执行时间和消耗能量,当我们运行Sunspider工作负载在基线和AI-framework。请注意,设在相对价值。基线是2.6瓦特的电力消耗,在AI-framework 1.6瓦特(减少37%)。

然而,工作负载的执行时间在基线是39秒而AI-framework 49秒(下降27%)。它显示了权衡的低功耗技术,降低功耗的性能下降。作为一个结果,AI-framework可以实现19%的节能,减少从1.97到1.6焦耳。CPU密集型工作负载,我们可以适当地减轻通过关闭内核的性能下降,这将在下一节中进一步讨论。

我们还在松树上运行Sunspider的工作量64和覆盆子π2设备。结果表明,尽管AI-framework提供更好的能源效率,讨论了图10,改善很小,从1%到6%不等。我们的分析表明,由于Sunspider的工作量是CPU密集型要求平均超过4核,应用dvf AI-framework没有足够的机会。请注意,这两个设备有4个核心,表中有说明)1。

4.2.3。行人检测工作的结果

我们测量功耗和平均检测延迟当我们执行行人检测工作量64年松和树莓皮装置,提出了表2。因为我们可以利用dvf只有在这些设备,我们三个配置下进行实验。在基线1,我们配置所有核心运行在最大频率(1152 MHz松树树莓皮64和900 MHz)。在基线2中,所有核心配置为运行在最低频率(480 MHz松树树莓皮64和200 MHz)。相反,AI-framework,一个核心的频率变化自适应地根据当前CPU利用率和最小/最大利用率阈值在这个实验中(20%和80%)。

实验结果表明,该AI-framework功耗和性能之间的平衡。基线1提供了最佳的性能在高功率消耗的成本。相反,基线2减少权力最但对性能产生明显的影响。然而,我们的框架可以减少电力消耗(松64年减少22%,减少5%的树莓皮)而不影响工作负载的性能。

表3结果显示当我们执行行人检测Odroid许设备上的工作负载。在这个设备,AI-framework不仅可以利用dvf还空闲。因此,我们用四个不同的进行实验min_utilization阈值触发策略管理员在我们的框架中讨论部分3.4。当阈值小,保守AI-framework试图应用低功耗技术,应用技术积极作为阈值变大。

当最小利用率阈值设置为0%,AI-framework试图减少计算资源时,电流利用率还不到0%。这意味着AI-framework不适用DPM dvf,打开所有核心最大频率,它提供了最佳的性能和最严重的能耗设备(基线配置)。当阈值是10%,AI-framework试图适当地减少计算资源,获取相对较小的功率降低(在这种情况下从5.9到5.74瓦)。相反,当阈值是60%,努力积极,带来更好的功率降低延迟的成本。这些结果揭示了功率降低和性能之间的权衡。通过设置适当的阈值(在本例中30%),AI-framework可以减少电力消耗,没有相当大的性能下降。

5。结论

在本文中,我们设计一个新的移动设备低功耗的多核框架。它集成了金刚石和dvf技术和应用自适应地根据工作负载特性和设备特性。真正的实现基础的实验表明,该框架功耗和性能之间的平衡,导致节能。

我们将我们的工作扩展到两个方向。首先,我们调查的性能下降,尤其是对一个CPU密集型工作负载图中观察到10,使用硬件级的性能监控单位支持的处理器。我们猜想,workload-aware细粒度的电源管理可以减轻下降,同时保持功率降低的好处。第二个方向是开发一个假设引擎,可以预测一个变更频率或数量的活跃的核心影响能源效率提前使用我们的框架。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

目前的研究是由Dankook大学研究基金会(BK21 +), 2014年由MSIP(科技部、ICT和未来规划),韩国,在期(信息技术研究中心)支持程序(IITP - 2016 - r0992 - 16 - 1012)监督IITP和中心的集成智能传感器由科技部资助,ICT和未来计划在全球前沿项目(CISS-2-3)。

引用

1. n . d . Lanez s Bhattacharyaz p . Georgievy c . Forlivesiz f . Kawsar,“深度学习的早期资源描述在衣物上,智能手机和物联网设备,”诉讼ACM国际研讨会的物联网对应用程序(IoT-App 15),2015年11月。视图:谷歌学术搜索
2. d·h·j·s . Kim Yeom,黄懿慧Joo)“快速、强劲的多运动目标跟踪算法,智能视频监控系统”IEEE消费类电子产品卷,57号3、1165 - 1170年,2011页。视图:出版商的网站|谷歌学术搜索
3. r·库马尔·d·m·Tullsen p . Ranganathan n . p . Jouppi和k . i法卡斯”Single-ISA异构多核架构对多线程工作负载的性能,”ACM SIGARCH计算机体系结构的消息,32卷,不。2、2004。视图:谷歌学术搜索
4. c . Baun“移动的单板计算机集群:一个选项为学生提供资源项目和研究人员,“SpringerPlus,5卷,不。1,第360条,2016。视图:出版商的网站|谷歌学术搜索
5. l·t·关y Wang段,r .霁”设备内置移动具有里程碑意义的识别使用的关键描述符和multifeature融合,“ACM智能交易系统和技术,7卷,不。1,第十二条,2015。视图:出版商的网站|谷歌学术搜索
6. 朱m . k .沈,“能源贴现计算多核智能手机上,”USENIX年度技术研讨会论文集(ATC的16)美国科罗拉多州,丹佛,2016年6月。视图:谷歌学术搜索
7. 答:卡罗尔和g·黑瑟”,统一dvf和离线移动多核”20 IEEE程序实时和嵌入式技术及应用研讨会(RTAS 14)2014年4月,页287 - 296。视图:出版商的网站|谷歌学术搜索
8. y Tawara、a . Idehara和h .山本”dvf和断电控制多核操作系统,”学报第十届国际论坛上嵌入式MPSoC和多核(MPSoC 10)2010年6月,日本岐阜。视图:谷歌学术搜索
9. j·m·金、y . g . Kim和s . w .钟”CPU频率和电压稳定temperature-aware dvf在移动设备上,“IEEE计算机,卷64,不。1,第292 - 286页,2015。视图:出版商的网站|谷歌学术搜索
10. 黄g·陈,k, a·诺尔”能源优化实时多处理器芯片系统与最优dvf DPM组合,”ACM交易嵌入式计算系统,13卷,不。3 s, 2014年第111条。视图:出版商的网站|谷歌学术搜索
11. l . Benini A Bogliolo, g . De Micheli”设计技术的系统级的动态电源管理的一项调查,“IEEE超大规模集成电路(VLSI)系统,8卷,不。3、299 - 316年,2000页。视图:出版商的网站|谷歌学术搜索
12. m·e·萨利希m . Samadi m . Najibi a . Afzali-Kusha m . Pedram和s . m . Fakhraie”动态电压和频率对嵌入式处理器调度考虑电力/性能权衡,”IEEE超大规模集成电路(VLSI)系统,19卷,不。10日,1931 - 1935年,2011页。视图:出版商的网站|谷歌学术搜索
13. c .高,a·古铁雷斯m . Rajan r . g . Dreslinski t玛吉,C.-J。吴,“移动设备利用率的研究”学报》第十五届IEEE国际研讨会上的性能分析系统和软件(ISPASS 15)2015年3月,页225 - 234。视图:出版商的网站|谷歌学术搜索
14. y, x, x, y, l .壮族和f .赵”向更好的CPU电源管理多核智能手机,”诉讼ACM车间的节能计算和系统(HotPower 13)法明顿,Pa,美国,2013年11月。视图:出版商的网站|谷歌学术搜索
15. w . Seo, d . Im, j . Choi和j·哈,”大或小:一项研究在非对称多核平台上的移动交互的应用程序,”诉讼IEEE国际研讨会的工作负载特性(IISWC 15)IEEE,页1 - 11,亚特兰大,乔治亚州,美国,2015年10月。视图:出版商的网站|谷歌学术搜索
16. z Mwaikambo, a . Raj r·拉塞尔·j . Schopp和s . Vaddagiri“Linux内核的CPU支持热插拔,”诉讼的OLS,2004年7月。视图:谷歌学术搜索
17. 诉Pallipadi和a . Starikovskiy ondemand调控器”《渥太华Linux研讨会(OLS 06年)2006年7月,渥太华,加拿大,。视图:谷歌学术搜索
18. 答:卡罗尔和g·黑瑟”,在智能手机功耗的分析,”USENIX USENIX大会年度技术研讨会论文集(USENIXATC 10)ACM,波士顿,质量,美国,2010年。视图:谷歌学术搜索
19. 答:卡罗尔和g .黑”移动多芯:使用或浪费,”诉讼的节能计算和系统研讨会(HotPower 13),2013年11月。视图:出版商的网站|谷歌学术搜索
20. 问:朱,m·朱b·吴x沈,k .沈和z王,“软件与cpu睡觉,接触”学报》第15届研讨会上热门话题在操作系统(HotOS的15)瑞士,Kartause Ittingen, 2015年3月。视图:谷歌学术搜索
21. w·歌:唱,B.-G。春,j .金正日“降低能耗智能手机的使用用户预期的响应时间分析,”学报》第15届研讨会上移动计算系统和应用程序(HotMobile 14)2014年2月,ACM,。视图:出版商的网站|谷歌学术搜索
22. j . Wamhoff s Diestelhorst c·菲尔兹·土地肥沃的p . Felber d .骰子,”涡轮日记:application-controlled频率扩展解释说,”诉讼USENIX年度技术会议(USENIX ATC的14),2014年6月。视图:谷歌学术搜索
23. m·基耶西l . Vanzolini c . Mucci e·弗兰基Scarselli Guerrieri r .,“节能工作调度的异构多核架构,”IEEE并行和分布式系统,26卷,不。3、868 - 877年,2015页。视图:出版商的网站|谷歌学术搜索
24. m . Bambagini m·马里诺尼h·艾登,g . Buttazzo”节能意识为实时系统调度:一项调查,”ACM交易嵌入式计算系统,15卷,不。1,第七条,2016。视图:出版商的网站|谷歌学术搜索
25. 李和f . Broekaert“低功耗调度与dvf常见的操作系统在多核的平台上,”诉讼第三嵌入式操作系统研讨会(EWiLi 13)2013年8月,图卢兹,法国,。视图:谷歌学术搜索
26. 答:罗伊,s m .轰鸣,r . Stutsman·李维斯d . Mazieres和n . Zeldovich“能源管理与煤渣移动设备操作系统,”学报第六届ACM EuroSys会议上计算机系统(EuroSys 11)2011年4月,页139 - 152。视图:出版商的网站|谷歌学术搜索
27. d . c .斯诺登峰,e . l .年后s . m .培特·g·黑瑟,“考拉:操作系统电源管理的平台,”《EuroSys,2009年3 - 4月。视图:谷歌学术搜索
28. k .沈a . Shriraman s Dwarkadas张x, z陈,“权力容器:一个操作系统设备多核服务器上的细粒度的电力和能源管理,”学报18建筑国际会议上支持的编程语言和操作系统(ASPLOS 13)ACM,页65 - 76年,2013年3月。视图:出版商的网站|谷歌学术搜索
29. y Kwon s . Lee h .易et al .,“螳螂:高效的执行时间预测,能源使用、内存使用和网络使用在智能移动设备上,“IEEE移动计算,14卷,不。10日,2059 - 2072年,2015页。视图:出版商的网站|谷歌学术搜索
30. n . Thiagarajan g . Aggarwal Nicoara,然后,和j·p·辛格,“谁杀了我的电池:移动浏览器能耗分析,”21国际会议的程序万维网(WWW的12)页。每周ACM,里昂,法国,2012年4月。视图:出版商的网站|谷歌学术搜索
31. Bui, d·h·h·金,即Shin y . Liu和f .赵”反思能效权衡在移动web页面加载”诉讼21年的移动计算和网络国际会议(MobiCom 15)ACM,页14日至26日,巴黎,法国,2015年9月。视图:出版商的网站|谷歌学术搜索
32. http://www.hardkernel.com/main/products/prdt_info.php?g_code=g140448267127。
33. https://www.raspberrypi.org/products/raspberry-pi-2-model-b/。
34. https://www.pine64.org/。
35. 在Linux内核中,CPU热插拔支持https://lwn.net/Articles/537570/。
36. j .辞职,”JavaScript性能纲要,“http://ejohn.org/blog/javascript-performance-rundown/。视图:谷歌学术搜索
37. p·威尔逊和j·费尔南德斯,“面部特征检测使用HAAR分类器,”计算科学学院杂志》上,21卷,不。4、127 - 133年,2006页。视图:谷歌学术搜索

版权

版权©2017 Jongmoo崔等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。