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)的核心技術之一。而應用于嵌入式系統(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鍵。利用云計算平臺，提出了一種基于自適應學習過程的神經(jīng)網(wǎng)絡算法，用來預測電源系統(tǒng)的欠載狀態(tài)。實驗結果表明，該方法具有很強的適應性和穩(wěn)定性，對于嵌入式系統(tǒng)的空閑時段的預測，具有相當?shù)臏蚀_性。

動態(tài)電源管理；云計算；自適應學習；BP網(wǎng)絡

低功耗的嵌入式系統(tǒng)是指以物聯(lián)網(wǎng)應用為中心，以電力電子技術為基礎，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)的功耗設計成為整個系統(tǒng)設計的重要方面。因此，利用更復雜的處理器預測算法來對處理器的工作狀態(tài)進行實時的管理和預測是動態(tài)管理電源系統(tǒng)的關鍵點。

動態(tài)電源管理DPM(dynamic power management)是一種應用非常廣泛的低功耗設計策略，其主要的功能是通過對系統(tǒng)或功耗可控設備的狀態(tài)和負載進行實時的分析，動態(tài)地調(diào)整系統(tǒng)或設備的配置，從而降低系統(tǒng)或設備在空閑時的功耗，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測類、隨機類和超時類等三種，其中，預測類的精度最好。

預測類的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，預測結果越準確。本文采用神經(jīng)網(wǎng)絡算法來構建系統(tǒng)運行狀態(tài)認知系統(tǒng)。為了提高預測的準確性，利用云計算平臺來進行自適應學習，從而滿足了系統(tǒng)的性能要求。

1　基于神經(jīng)網(wǎng)絡的預測方法

神經(jīng)網(wǎng)絡是以人腦神經(jīng)元結構為主要模擬對象，通過建立相應的數(shù)學模型而形成的類似于人腦工作機制的數(shù)據(jù)演算方法。基于神經(jīng)網(wǎng)絡的預測方法可以完成對大量復雜數(shù)據(jù)的抽取、分析功能，并且具有良好的魯棒性、自組織適應性。同時，神經(jīng)網(wǎng)絡算法還可以實現(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注。

圖1　BP神經(jīng)網(wǎng)絡基本結構

目前，最流行的神經(jīng)網(wǎng)絡算法是BP神經(jīng)網(wǎng)絡算法，主要由輸入層、隱含層、輸出層組成，其基本結構如圖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，最后得到輸出結點。在本設計中，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｛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)，構成了神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)。輸入層數(shù)據(jù)的準確性和完整性是神經(jīng)網(wǎng)絡輸出量是否正確的主要源頭，因此，本設計采用了自適應學習方法來進行糾正。隱含層是神經(jīng)網(wǎng)絡建立復雜映射關系的關鍵，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)要求精度來設置，一般來說，隱含層節(jié)點太少，網(wǎng)絡不能建立復雜的映射關系，使網(wǎng)絡培訓效果差，容錯性不理想；節(jié)點數(shù)過多，又會使網(wǎng)絡學習時間過長，影響網(wǎng)絡的收斂性和時效性，因此需要根據(jù)設計者的經(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；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)絡算法非線性映射能力強、容錯性好。因此，作為一種預測技術，受到了廣泛的關注。為了進一步提高神經(jīng)網(wǎng)絡的運算準確性，本設計利用自適應算法來改進相應輸入層的準確性，由于自適應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)模化、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，從而完成復雜的數(shù)據(jù)分析過程。圖2為本設計中云平臺的基本架構圖。

圖2　云平臺基本架構

在本設計中，云平臺的作用是形成動態(tài)電源神經(jīng)網(wǎng)絡算法的輸入層數(shù)據(jù)序列。為了保證數(shù)據(jù)序列的實時性和準確性，采用自適應學習樹的方法來進行數(shù)據(jù)序列的自適應訓練。

自適應學習樹(adaptive learning tree，簡寫為ALT)是一種預測結構模型，基本結構如圖3所示。自適應學習樹主要由兩種節(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備所處的狀態(tài)，可以按照提前設定好的分級數(shù)來定義具體節(jié)點的狀態(tài)，葉子節(jié)點代表設備狀態(tài)的置信度，對應的數(shù)值越高，系統(tǒng)輸入的數(shù)據(jù)序列的可靠性越高；兩種分支分別對應的是預測分支(用虛線表示)和歷史分支(用實線表示)。每個預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對應的是上一個時刻處理器的運行狀態(tài)，下一個時刻對應著三種預測X1、X2、X3，相對應的概率為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測序列，選取其中概率值最大的為神經(jīng)網(wǎng)絡該節(jié)點的對應輸入值。

圖3　自適應學習樹基本結構

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

3　結論

隨著云計算技術越來越成熟，采用云計算平臺來對復雜的數(shù)據(jù)處理具有良好的實時性和動態(tài)特性。本設計利用云計算平臺構建了自適應學習過程，可以實現(xiàn)嵌入式系統(tǒng)某一個未來時刻對應工作狀態(tài)的預測，從而形成有效的神經(jīng)網(wǎng)絡輸入層樣本數(shù)據(jù)，并通過神經(jīng)網(wǎng)絡隱含層相應函數(shù)的計算，得出相應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)學報，2005(8)：56-58.

[2]李偉生，王冬.改進自適應學習樹電源管理預測策略[J].計算機工程與設計，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教學。