盧翠榮，鄒靜昭

(河北中醫(yī)學(xué)院，河北石家莊050200)

基于云計算平臺的動態(tài)電源管理策略研究

盧翠榮，鄒靜昭

(河北中醫(yī)學(xué)院，河北石家莊050200)

低功耗的嵌入式系統(tǒng)是物聯(lián)網(wǎng)的核心技術(shù)之一。而應(yīng)用于嵌入式系統(tǒng)中的動態(tài)電源管理是保證系統(tǒng)低功耗和可靠運行的關(guān)鍵。利用云計算平臺，提出了一種基于自適應(yīng)學(xué)習(xí)過程的神經(jīng)網(wǎng)絡(luò)算法，用來預(yù)測電源系統(tǒng)的欠載狀態(tài)。實驗結(jié)果表明，該方法具有很強的適應(yīng)性和穩(wěn)定性，對于嵌入式系統(tǒng)的空閑時段的預(yù)測，具有相當?shù)臏蚀_性。

動態(tài)電源管理；云計算；自適應(yīng)學(xué)習(xí)；BP網(wǎng)絡(luò)

低功耗的嵌入式系統(tǒng)是指以物聯(lián)網(wǎng)應(yīng)用為中心，以電力電子技術(shù)為基礎(chǔ)，形成的軟硬件可裁剪的、實時可靠性強、體積小、功耗低的專業(yè)計算機系統(tǒng)[1]。該系統(tǒng)的穩(wěn)定運行，依賴于電源系統(tǒng)的強大功能。同時，它也常常受到成本等條件的限制，使嵌入式系統(tǒng)的功耗設(shè)計成為整個系統(tǒng)設(shè)計的重要方面。因此，利用更復(fù)雜的處理器預(yù)測算法來對處理器的工作狀態(tài)進行實時的管理和預(yù)測是動態(tài)管理電源系統(tǒng)的關(guān)鍵點。

動態(tài)電源管理DPM(dynamic power management)是一種應(yīng)用非常廣泛的低功耗設(shè)計策略，其主要的功能是通過對系統(tǒng)或功耗可控設(shè)備的狀態(tài)和負載進行實時的分析，動態(tài)地調(diào)整系統(tǒng)或設(shè)備的配置，從而降低系統(tǒng)或設(shè)備在空閑時的功耗，以達到系統(tǒng)功耗最小的目的。目前，DPM策略大致可以分為預(yù)測類、隨機類和超時類等三種，其中，預(yù)測類的精度最好。

預(yù)測類的DPM策略主要依賴對系統(tǒng)運行過程的認知程度，認知程度越高，預(yù)測結(jié)果越準確。本文采用神經(jīng)網(wǎng)絡(luò)算法來構(gòu)建系統(tǒng)運行狀態(tài)認知系統(tǒng)。為了提高預(yù)測的準確性，利用云計算平臺來進行自適應(yīng)學(xué)習(xí)，從而滿足了系統(tǒng)的性能要求。

1　基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法

神經(jīng)網(wǎng)絡(luò)是以人腦神經(jīng)元結(jié)構(gòu)為主要模擬對象，通過建立相應(yīng)的數(shù)學(xué)模型而形成的類似于人腦工作機制的數(shù)據(jù)演算方法?；谏窠?jīng)網(wǎng)絡(luò)的預(yù)測方法可以完成對大量復(fù)雜數(shù)據(jù)的抽取、分析功能，并且具有良好的魯棒性、自組織適應(yīng)性。同時，神經(jīng)網(wǎng)絡(luò)算法還可以實現(xiàn)分布式存儲、并行處理，并具有高度的容錯性。因此，近年來越來越被人們所關(guān)注。

圖1　BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

目前，最流行的神經(jīng)網(wǎng)絡(luò)算法是BP神經(jīng)網(wǎng)絡(luò)算法，主要由輸入層、隱含層、輸出層組成，其基本結(jié)構(gòu)如圖1所示，其中，X代表著輸入變量，H代表著隱含層，Y代表著輸出變量。網(wǎng)絡(luò)工作過程中，輸入信息先通過輸入層節(jié)點，向前傳播到隱層節(jié)點，經(jīng)過計算節(jié)點的激活函數(shù)后，將各個計算節(jié)點的輸出信息傳播到輸出節(jié)點，最后得到輸出結(jié)點。在本設(shè)計中，輸入層的數(shù)據(jù)來自于所使用電源的嵌入式系統(tǒng)的工作狀態(tài)，主要涉及的是處理器的工作負荷。依據(jù)不同的系統(tǒng)，可以設(shè)定處理器的工作狀態(tài)分為{Q1、Q2、Q3、Q4、Q5}等狀態(tài)，依次對應(yīng)｛滿負荷工作、超半負荷工作、半負荷工作、弱半負荷工作、空閑｝等五種狀態(tài)，五種狀態(tài)所對應(yīng)的電源工作狀態(tài)也是五個，以標識不同的能耗，將處理器運行的各個運行狀態(tài)進行逐一標注后所形成的數(shù)據(jù)系統(tǒng)，構(gòu)成了神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)。輸入層數(shù)據(jù)的準確性和完整性是神經(jīng)網(wǎng)絡(luò)輸出量是否正確的主要源頭，因此，本設(shè)計采用了自適應(yīng)學(xué)習(xí)方法來進行糾正。隱含層是神經(jīng)網(wǎng)絡(luò)建立復(fù)雜映射關(guān)系的關(guān)鍵，在隱含層主要確定的因素有兩個，一個是隱含層節(jié)點的數(shù)目，另一個是隱含層中的映射函數(shù)。節(jié)點的數(shù)目可根據(jù)系統(tǒng)要求精度來設(shè)置，一般來說，隱含層節(jié)點太少，網(wǎng)絡(luò)不能建立復(fù)雜的映射關(guān)系，使網(wǎng)絡(luò)培訓(xùn)效果差，容錯性不理想；節(jié)點數(shù)過多，又會使網(wǎng)絡(luò)學(xué)習(xí)時間過長，影響網(wǎng)絡(luò)的收斂性和時效性，因此需要根據(jù)設(shè)計者的經(jīng)驗及多次實驗確定一個最佳的隱含層節(jié)點數(shù)。本設(shè)計中隱含層中的節(jié)點輸出函數(shù)為：

式中：f[x]為輸入層輸出;Wir為輸入層到隱含層間的連接權(quán)；Tr為隱含層的閾值。輸出層為電源的工作狀態(tài)，以完成電源工作的有效控制。

BP神經(jīng)網(wǎng)絡(luò)算法非線性映射能力強、容錯性好。因此，作為一種預(yù)測技術(shù)，受到了廣泛的關(guān)注。為了進一步提高神經(jīng)網(wǎng)絡(luò)的運算準確性，本設(shè)計利用自適應(yīng)算法來改進相應(yīng)輸入層的準確性，由于自適應(yīng)算法所需的空間成本較高，因此，采用云計算平臺來完成。

2　基于云計算

云計算的平臺具有規(guī)?；?、虛擬化、高可靠性、高擴展性、多用戶、通用性、低成本等特點[2]。云計算平臺可以利用資源的動態(tài)調(diào)度，有效地實現(xiàn)分布式的數(shù)據(jù)存儲和計算，從而完成復(fù)雜的數(shù)據(jù)分析過程。圖2為本設(shè)計中云平臺的基本架構(gòu)圖。

圖2　云平臺基本架構(gòu)

在本設(shè)計中，云平臺的作用是形成動態(tài)電源神經(jīng)網(wǎng)絡(luò)算法的輸入層數(shù)據(jù)序列。為了保證數(shù)據(jù)序列的實時性和準確性，采用自適應(yīng)學(xué)習(xí)樹的方法來進行數(shù)據(jù)序列的自適應(yīng)訓(xùn)練。

自適應(yīng)學(xué)習(xí)樹(adaptive learning tree，簡寫為ALT)是一種預(yù)測結(jié)構(gòu)模型，基本結(jié)構(gòu)如圖3所示。自適應(yīng)學(xué)習(xí)樹主要由兩種節(jié)點和兩種分支組成，兩種節(jié)點是決策節(jié)點(用圓表示)、葉子節(jié)點(用矩形表示)，決策節(jié)點表示過去的時間里設(shè)備所處的狀態(tài)，可以按照提前設(shè)定好的分級數(shù)來定義具體節(jié)點的狀態(tài)，葉子節(jié)點代表設(shè)備狀態(tài)的置信度，對應(yīng)的數(shù)值越高，系統(tǒng)輸入的數(shù)據(jù)序列的可靠性越高；兩種分支分別對應(yīng)的是預(yù)測分支(用虛線表示)和歷史分支(用實線表示)。每個預(yù)測分支用來連接決策節(jié)點和葉子節(jié)點，歷史分支用來連接相鄰的決策節(jié)點。

圖3展示的是一個節(jié)點對應(yīng)三種工作狀態(tài)的情況，分別為正常工作狀態(tài)、半負荷工作狀態(tài)、零負荷工作狀態(tài)。如圖所示X0對應(yīng)的是上一個時刻處理器的運行狀態(tài)，下一個時刻對應(yīng)著三種預(yù)測X1、X2、X3，相對應(yīng)的概率為1/3、1/3、1/3，當下一個時刻有了真實值后就加大其對應(yīng)分支的概率為1/2、其他兩個分支為1/4、1/4,以此推類，生成該節(jié)點在下面某一時刻的預(yù)測序列，選取其中概率值最大的為神經(jīng)網(wǎng)絡(luò)該節(jié)點的對應(yīng)輸入值。

圖3　自適應(yīng)學(xué)習(xí)樹基本結(jié)構(gòu)

經(jīng)過一系列的自適應(yīng)計算，神經(jīng)網(wǎng)絡(luò)對應(yīng)的某一設(shè)備的有效預(yù)測值序列就可以生成了。不同的設(shè)備對應(yīng)著不同的序列。由于計算量比較大，自適應(yīng)的計算放置在云端不同的分布式設(shè)備上，具有時間效率好，準確性高的特征。

3　結(jié)論

隨著云計算技術(shù)越來越成熟，采用云計算平臺來對復(fù)雜的數(shù)據(jù)處理具有良好的實時性和動態(tài)特性。本設(shè)計利用云計算平臺構(gòu)建了自適應(yīng)學(xué)習(xí)過程，可以實現(xiàn)嵌入式系統(tǒng)某一個未來時刻對應(yīng)工作狀態(tài)的預(yù)測，從而形成有效的神經(jīng)網(wǎng)絡(luò)輸入層樣本數(shù)據(jù)，并通過神經(jīng)網(wǎng)絡(luò)隱含層相應(yīng)函數(shù)的計算，得出相應(yīng)某一時刻電源可能的工作狀態(tài)，從而完成對電源系統(tǒng)的動態(tài)管理。

[1]卜愛國，劉昊，李杰.PBALT動態(tài)電源管理策略[J].電路與系統(tǒng)學(xué)報，2005(8)：56-58.

[2]李偉生，王冬.改進自適應(yīng)學(xué)習(xí)樹電源管理預(yù)測策略[J].計算機工程與設(shè)計，2013(1)：136-139.

Research on dynamic power management strategy based on cloud computing platform

LU Cui-rong,ZOU Jing-zhao
(Hebei University of Chinese Medicine,Shijiazhuang Hebei 050200,China)

The low power embedded system is one of the core technologies of the Internet of Things.Nevertheless, dynamic power management in embedded system is the key to ensure the low power consumption and reliable operation of the system.A kind of neural network algorithm based on adaptive learning process was proposed to predict the status of a power system using cloud computing platform.The experiment result shows the method has strong adaptability and stability.And it has considerable accuracy for idle period prediction of embedded systems.

dynamic energy management;cloud computing;adaptive learning;back propagation network

TM 7

A

1002-087 X(2016)10-2077-02

2016-03-03

盧翠榮(1978—)，女，河北省人，本科，講師，主要研究方向為計算機應(yīng)用。

鄒靜昭(1979—),女,河北省人,本科,講師，主要研究方向為計算機基礎(chǔ)教學(xué)。