电能治理的现状及进展.docx
《电能治理的现状及进展.docx》由会员分享，可在线阅读，更多相关《电能治理的现状及进展.docx（14页珍藏版）》请在冰豆网上搜索。
电能治理的现状及进展
电能治理的现状及进展
如何优化系统的电能利用一直是各个层次系统设计的重要问题之一。
伴随着移动、嵌入式设备和大型的效劳器和集群效劳器的普遍利用，电能治理（PowerManagement,PM）的重要性愈发突出，也成了很多关键技术难以实现冲破的瓶颈。
本文尝试从近十几年来的二十篇文献中理清电能治理技术进展的进程和脉络，而且对该技术的以后做出展望。
电能治理技术能够分为两类：
动态电能治理和静态电能治理。
静态电能治理（StaticPowerManagement，SPM）是在设计时采纳的电能治理技术，如芯片设计的电能治理，编译器设计的电能治理等。
要紧工作都是离线（而不是程序运行时）完成的，关于硬件和软件都适用。
动态电能治理（DynamicPowerManagement,DPM）是在程序或系统运行时采取的电能治理技术，通过依照当前系统的负荷来实时调整设备状态来实现电能治理[1]。
二者的区别要紧在于所处的时期不同，前者是在系统设计时期，后者是在系统运行时期。
以下别离回忆这两种电能治理方式。
文章是按如下顺序安排的，第二部份回忆不同级别的静态电能治理的方式，第三部份回忆不同的动态电能治理的模型及方式，最后一部份是总结和展望。
一静态电能治理
静态电能治理一样在设计时期通过对硬件的建模、模拟和对照来取得最优的PM方案。
既有在CPU、内存等设备级别的优化，也有在整个系统级别的优化。
下面别离给予介绍：
级别
成立电能消耗和CPU内部参数如电容、电压、时钟频率等的模型和函数关系是比较普遍利用的方式。
同时流水线的深度和L一、L2缓存的大小也是阻碍因素之一。
由于在静态设计时需要理想的测试环境，模拟器的实现和优化变得很重要。
（1）寄放器级别：
[2]提出了两种模型：
一是基于能量密集度的模型，二是在微框架水平上的分析模型。
所谓微框架水平指利用对应参数例如物理寄放器的数量，流水线的深度，cache的参数，队列或缓冲区的长度等等来建模。
通过统计方式来取得单个时钟周期内整个处置器的能耗。
通过对性能，耗电量和L1缓存的之间关系的研究发觉：
尽管增大L1缓存的大小能够带来比较小的CPI，可是也带来了更大的能源消耗，从而给处置器的表现带来了更多负面阻碍。
因此从性能和能耗之间的关系角度考虑，选择缓存大小需要折中的方案。
同时，也对单核，多核，多线程和节能缓存和编译器的设计等方面提出了建议。
[3]采取了和前文不同的思路，建模时假设一个处置单元所消耗的电能是和组成该处置器内部电路的电容大小有关的。
在此基础上成立一个电能测试工具的模型。
该模型要紧有以下三个用途：
一是用户能够在只改变硬件的配置的前提下对能耗情形进行测试和对照；二是用于在单一硬件配置的情形下对软件和编译器的开发进行对照和测试；三是该模型实现了模块化，能够依照用户的需要添加其他的硬件模块。
其在速度上的优势十分的明显，比那时现存的一样的工具快了快要1000倍，而所估量的的数据维持在10%的误差之内。
（2）指令级别：
[4]成立了一个指令模拟器，电源，内存三者之间的模型。
每一个时钟周期内的能耗是那时CPU的电容，电压和时钟频率的一个函数。
能够通过调整电容和电压来调整能耗。
整个电能消耗包括处置器，L1和L2缓存，内存和其他部件电能消耗的总和。
实现了在ARM处置器上的模拟工具ARMmulator的一个扩展应用。
2.系统级别
同单个设备不同,系统级的模型会表现出不同设备在交互时的电能消耗状态。
从而为在整体上改善电源治理提供实验依据。
许多实验结果如那些设备最耗电,哪些设备在哪些情形下最耗电等信息能够用于以后的深切研究。
etal.[5]提出了一个SoftWatt,的完整系统的模型，包括了CPU，内存，硬盘和操作系统及真实的应用程序。
测试的进程中采纳了SpecJVM98系列的测试程序，在Java虚拟机环境下运行。
测试的结果有以下几点：
第一，从系统的角度而言，硬盘是单个耗电量最大的设备，约占了整个系统能耗的34%，因此通过将硬盘空闲时调到休眠状况能够显著的减少电能消耗。
可是阈值的设定超级重要。
第二，系统的同步操作会带来很多的电能消耗，但如果是将如此的同步操作（cache等）的频率操纵在较低的水平常，就会带来耗电量的改善。
第三，在不同程序的运行进程中，内核效劳所消耗的电能几乎没有大的转变，因此在较小的误差范围内能够测量内核所消耗的电能大小。
第四，系统自带的system-idle进程会增加约5%的电能消耗，作者以为，能够通过将CPU，内存子系统调到低电源状态来幸免执行该进程从而节省能源。
[6]成立了一个较为抽象的系统电源状态模型，而且假设不同的状态转换是由系统监测电源状况的情形而发出命令改变的。
每一个设备都有一个状态的集合，通过计算单个设备状态转换的电能的总和取得系统电源状态改变的代价。
然后通过基于PalmOS操作系统的移动设备为实验基础来拟合模型中的参数，CPU，LCD，键盘等设备都做了相应的参数提取，从而成立整个模型。
二动态电能治理
DPM是最近几年来研究的热点。
一方面是因为移动设备和大规模效劳器的兴起，另一方面DPM的实现要比SPM灵活很多，不论从理论上的数学模型和算法，仍是OS内的实现或是中间件的实现都表现出多样性，这方面的研究功效也很多，以下别离从数学模型，单个设备如CPU、硬盘等的DPM，系统和集群的DPM几个角度来介绍，而且用工业和生活中常见的产品和技术来加以说明：
1.数学模型：
在DPM的相关数学模型方面，统计学模型占据了压倒性的地位，几乎所有的模型都涉及到了统计学或随机进程的范围，而其中马尔科夫进程很受欢迎。
不论是半马尔科夫决策进程仍是部份可观马尔科夫决策进程都有涉及。
[7]依照磁盘的活动成立了一个随机的统计学模型。
如此的模型是针对以前并非睬想的电源状态转换提出的。
这些电源状态间的转换常常过于机械，而在状态转换之间带来的时刻和电能的损失比较可观，这会使得有时候转换过的电源状态由于其附加的代价而变得并非适合。
本文在随机统计模型的基础上，通过对照当前电能和系统性能的曲线，来取得全局的最优电能分派策略。
全局的最优解能够通过将模型化为一个线性回归问题而在多项式级的时刻内取得解决。
[8]提出了一种新的基于预测系统下一个空闲时刻的算法。
如此的算法是基于指数平均的方式来预测的。
预测模型是通过上一个时段的实际空闲时刻和预测空闲时刻来递归的预测这一时段的空闲时刻，离当前越近的实际空闲时段在预测中所占的比重也越大。
引入了两种机制来保证该方式的性能：
一是引入了系统预测失误校正来提高预测的命中率，二是通过引入提早唤醒来减少状态转换间的代价。
通过实验能够证明如此的方式即能够利用在CPU的治理上，也能够利用在其他设备如硬盘的治理上。
可是在模型参数的确信上，文章里并无给出理想的确信方式，这也对该模型的成效带来了必然程度的阻碍。
[9]是针对复杂系统成立模型的。
所谓复杂系统，确实是具有作者所列举的某些特点的一些系统，例如并发性，同步性，互斥性，冲突性等特点。
一个多效劳器散布式系统确实是文章所指的复杂模型。
作者利用了GeneralizedStochasticPetriNets（GSPN）模型来做系统建模。
而该模型能够自动的转化为时刻持续马尔科夫决策进程的一个同构模型。
通过求解该马尔科夫进程能够取得在事前给定的系统延迟的限制下的DPM策略。
[10]提出了一种基于时刻序列的半马尔科夫决策进程的模型来优化可移动设备的电能治理。
如此的模型能够在多项式级的时刻内通过解一个线性优化的问题来解决。
作者发觉对用户请求建模后取得的散布近似于均匀散布，而系统空闲时刻状态到来时刻的散布近似于指数散布，或在滤掉小的空闲时段后利用帕累托散布来模拟更优。
而在处置非指数散布和均匀散布的混合散布时，基于时序的半马尔科夫进程的表现最好。
实验也证明在对照其他的电能治理算法包括Windows默许的电能治理算法，在硬盘和WLAN网卡上都节省了可观的电能。
[11]通过研究发觉存储治理和电能治理之间存在着关联关系。
依照内存和I\O耗电的关系给出了一种基于二者关系的电能治理方式。
基础是帕累托模型建模和递归预测以后访问时刻。
通过在程序运行时依照内存访问的大小来预测磁盘IO访问的次数和每次距离的时刻长短。
通过对成立的模型求最小值能够取得系统在何时处于能量消耗最小的状态。
但是和前面提到的递归预测模型一样，文中对模型的关键参数的确信在实验中也没有专门好的表现和说明。
[12]中采纳了部份可观马尔科夫决策进程（POMDP）来对电能治理建模。
POMDP以前曾经在人工智能领域有着比较多的的应用，其最大的优势在于在只有部份系统电源信息的前提下能够做出接近于最优的电能治理策略，使得在比较复杂的系统中难和时全面取得系统信息的情形下仍然能够专门好的完成电能治理的任务。
在全面取得系统信息的前提下更是能够取得最优的治理策略。
如此的技术在嵌入式系统中有着很普遍的应用。
2.设备层面
（1）CPU_DVS:
DVS许诺处置器在整个系统和系统内部的程序在运行的实时进程中动态的改变自己的电压和速度。
来达到节能的成效。
实验证明减少电压或降低时钟频率维持CPU一直运转要比中断性的顶峰性地利用CPU然后接下来使CPU空闲的电能利用成效要好。
Intel奔腾M处置器等英特尔移动架构中包括增强型IntelSpeedStep技术，该技术能够依照系统需求优化能耗和性能。
该项技术的运行方式是：
提供CPU多点操作模式（称作P状态,P0表示CPU最高频率），依照需求增加或降低处置器频率。
若是具有可忽略的系统需求且CPU 正在空闲时，它将提供多个处置器睡眠状态（称作C状态，C状态越高，例如C4，那么说明睡眠状态越深），这大大降低了整体功耗。
这能够看做是DVS理论在实际芯片中的应用之一。
[13]引入了用来标识和测量CPU能耗表现的一个新的测试量：
百万指令每焦耳（millions-intsructions-per-joule，MIPJ）。
文中比较了三个算法：
OPT、FUTUIRE和PAST算法。
其中OPT是没有延时限制的最优算法来排除所有的CPU空闲时刻，而FUTURE是在计算以后的有限时刻内的有延时限制的算法，PAST那么是利用最近方才过去的一段时刻的数据来预测以后数据的有延时限制的算法。
依照实验的结果，PAST算法在以过去50ms为限的时刻的前提下，别离对和各节省50%和70%的电能。
这些电能要紧来自于减少处置器空闲所消耗的电能和在空闲时段关闭或休眠设备节省的电能。
（2）内存：
关于台式机来讲，内存所消耗的电量仍是比较可观的。
而且，由于较低内存耗电可不能致使内存数据的丢失，内存部份的耗电操纵的研究尚未充分的展开等缘故，[14]的重点是操纵内存的耗电。
和其他论文中的观点一致，由于PC内部的设备（CPU、硬盘、内存等）都可不能长时刻的在峰值的电耗下工作，因此减少其平均电耗的意义重大。
作者确实是在内存算法的设计开始前假设已经订好了内存治理的方案，不许诺内存的耗电量超太低于峰值的某个值，当高于该值时，将会改变一个或几个内存芯片的状态使得整个内存不超过预定的方案。
共有四种方案在文章中被实验：
Knapsack，LRU-Greedy,LRU-Smooth和LRU-Ordered。
第一种算法和最后一种算法的整体表现最优。
但降低能耗不可幸免的带来了性能少的下降。
尽管降低内存芯片的电源状态乃至休眠内存芯片都可不能带来数据的损失，可是只有在内存芯片被激活的状态下（active）才能进行数据的读写，作者也注意到了如此的问题，尽可能将性能的损失减小到最少。
文中的两个算法的表现仍然和现存的最好的内存电能治理算法的性能八两半斤，而且作者提出的限制能耗（提早确信电能利用方案）和节省电能（制定电能治理算法）并行的思路也是很有建设性的。
（3）硬盘：
传统的硬盘电源治理算法常常会完全停用硬盘来达到节能的成效，但没有考虑到如此“粗鲁”的操作会带来性能和时刻上的损失，有时期价大到乃至会让节能方法本身失去意义。
[15]提供了一种新的模型DynamicRotationPerMinute（DRPM）来对硬盘工作时的转速建模，而且给出了实际的实现。
对照传统的磁盘电能治理，文中的模型带来了更少的磁盘空闲时刻，从而有效的减少了磁盘的状态转换代价。
另外，在对性能要求不是很高的情形下，能够提供低硬盘转速的磁盘访问来节省电能。
3.系统层面：
除在本文前半部份提到的在数学模型方面的奉献之外，[11]也是从更高的角度来凝视系统内部各设备电能消耗的内在关系的。
增加内存通常会有效的减少因为内存缺页访问硬盘而带来的代价，可是关于电能消耗而言，大的内存意味着更大的电能消耗。
通过帕累托模型来为预期的访问分派大小最适合的内存，同时兼顾性能的表现和耗电的大小。
通过释放和收回系统占有的内存，在工作量大的时候分派大的内存减少磁盘I\O和频繁唤醒磁盘的代价,在工作量小的时候分派小的内存来节省内存本身的耗电，下一次工作量的大小那么是基于前面工作量的递归预测，实验的结果显示混合治理内存硬盘比固定内存大小的电能治理方式的成效更好。
当其他的研究都集中在如何寻觅到一个最优的电能治理算法时，NathanielPettisetal.[16]以为在适合的时候采取适合的算法能够带来最优的成效。
因此成立了一个能够动态选择电源治理算法的框架。
选择是由系统在没有人为的干与下自动实现的。
第一在系统中成立一个算法池，将能够用到的算法都放到其中。
然后以某个时刻段为周期循环的检查当前的算法是不是最优的。
若是不是最优的，那么在当前算法池中剩余的算法中找最优的替换。
若是算法替换的过于频繁而带来专门大的时刻和能量代价，那么去掉灵敏的算法，在剩余算法中寻觅适合的替换。
Linux的框架模型实现中采纳了模块化的实现，因此替换不同的算法不用重启机械。
实验证明如此的框架模型比单一算法的表现要好，而且也为以后的单一算法开发提供了一个专门好的对照和测试的平台。
4.移动设备：
移动设备里（例如电话的绝大多数情形，笔记本电脑的一些情形下），直流电源常常是唯一的供能手腕。
而随着移动设备硬件的不断升级，更高能耗的CPU和更大的内存，和大屏幕的LCD等的不断应用，对移动设备电源的要求也愈来愈高。
同时，更多复杂的移动应用程序和效劳也加重了这一情形。
电能的表现成了制约移动设备QoS的重要瓶颈，PM在移动设备的重要性也凸现出来。
而且由于移动设备尤其是电话和PDA由于其硬件和操作系统的不同相比较PC来讲比较大，因此在移动设备上实现DPM更有难度。
同其他一些在移动设备上开发电能治理算法和应用的研究不同，Ashwinietal.[17]没有将移动终端上的设备如：
CPU、LCD、键盘、内存等单元看做是分开的部份做单独的电能管理优化，而是采取了中间件的形式来从终端全局的角度实施对各个设备的优化。
如此在局部可能电源的利用不是最优，但对全局的能耗和QoS来讲能达到最优。
采纳中间件实现的形式有几个益处：
一是能够远离硬件层，减少了对硬件的直接依托，二是能够跟系统自带的PM模块（在文中是WindowsCE）进行交互，更好的利用原有的PM技术。
要紧通过增加系统电源状态数和计算当前系统最正确状态来实现。
在电能高时和电能低时依照那时用户的不同要求采取了不同的选择策略。
这种兼顾QoS和电池利用的思路和中间件的实现方式是本文最大的奉献，但在测试的进程中都是采纳单个程序测试的，缺少对多程序同时运行时的测试和扩展，是作者继续研究的方向。
[18]的起点是在数据传输中存在的一种不太容易被发觉的状况，那确实是在本机的缓存和远程的效劳器同时存在数据的情形下，在不同的电能情形前提下应该采取不同的读取数据的策略，而不是完全从本地缓存读取或完全从远程网络读取。
另外，现有的操作系统关于设备PM状况的描述过于复杂使得用户比较难的来直观的改变设备的电源状态，本文的中间件改良了以上两点缺点。
一个在其他文章中也被频繁提及的问题确实是设备在电源状态转换中的代价是不可轻忽的。
这包括时刻上的代价和能耗上的代价。
若是PM算法利用不适当致使状态切换频繁，就会显现类似于内存不足频繁换页的抖动现象，一个优秀的算法是不该该显现如此的情形的。
该中间件在磁盘和无线网络端各有一个部件和设备相连。
每一次数据传输都要通过中间件来计算当前的传输代价和潜在的传输代价。
若是当前的传输方式不是最优的，就向潜在最优的设备发送一个信号（即文中的Ghosthints），当设备在一按时刻内搜集了足够多的信号以后，就会唤醒自己且转换数据传输方式。
另外通过命令行实现了用户对设备电源状态参数从0到100的操纵，比以前的操纵方式加倍直接。
本文的缺点在于考虑的情形都是数据只读的情形，而且所涉及的设备只有一个硬盘和一个无线网卡。
[19]提出了CoolSpots技术。
该技术能够能在不阻碍应用程序本身的运行的情形下自动的实现数据传输端口的转换，文章里实现了从WIFI转到bluetooth。
而如此的转换能够实现电能的减少。
而且如此的转换对系统本身的要求也很小，因此在移动设备一般的应用如文件的传输，阅读网页和流媒体的传输等条件的测试下，能够实现超过50%的能源节省。
在确信适合的状态转换机会的时候并无选择通常的阈值方式，因为如此的阈值一样比较灵敏而且很难确信，除统计方式外没有什么其他好的途径来取得。
文中系统采纳了多个算法一路确信阈值的方式，取得了较好的成效。
5.效劳器：
高性能效劳器对PM的要求一样很高。
一方面散热问题关于效劳器表现的阻碍专门大，另一方面，加倍合理的利用电能在经济方面的作用也不可轻忽。
关于超大型运算机在电能方面的研究不是太多。
XiaoboFanetal.[20]就填补了以下几个空白：
第一次研究了超大型运算机在实际工作量下的电能消耗情形，而且第一次对电能供给成立了模型，包括线性模型和非线性的体会模型，其中体会模型达到了相当高的精准的，在除掉一个常数偏移后能够将误差操纵在1%之内。
[20]要紧做出了以下的理论奉献：
第一，由硬件厂家提供的系统电能消耗峰值一般是将其设备所有峰值简单求和所得，和实际的峰值相差专门大，文章通过实验证明差距可能多达40%，因此只有实际的峰值才电能治理中能够利用。
第二，PowerCapping技术能够被用来减少电能消耗和避免系统超负荷运转。
第三，DVS技术不仅在PC层面奏效，在大规模机群效劳器的层面也能够应用。
第四，系统不同的应用（如支持网络搜索、支持邮件等）所表现的电能消耗特点很不一样。
而实际的工作量的电能利用潜力比单个状态下的都大，也确实是说在系统设计和预算既定的情形下，能够再多放置更多的运算机而整个系统不超负荷运作。
第五，和很多论文一样，再次强调了操纵峰值之外电能消耗情形的重要性。
总的说来，本文在该领域的开辟性是比较大的。
6.操作系统层面：
当前的系统中流行的两种电能治理方式别离是advancedpowermanagement（APM）andadvancedconfigurationandpowerinterface（ACPI）。
前者是由微软和Intel提出的标准，由单层和多层的软件实现。
目前的最新版本是，它提供了CPU和设备电能治理的功能，可是由于这种电能治理方式主若是由BIOS实现，因此有些缺点，比如对BIOS的过度依托，新
老BIOS之间的不兼容性，和无法判定电能治理命令是由用户发起的仍是由BIOS发起的，对某些新硬件如USB和1394的不支持性。
后者是比较新的标准，是由东芝，微软，Intel提出的。
在APM中，BIOS扮演着十分重要的作用，而在ACPI中，更多的功能是由操作系统来实现的，如此能够提供更大的灵活性和可扩展性，这是二者显著的不同点。
目前的PC机主板一样同时支持APM和ACPI两种标准。
在Linux中的实现为例，针对APM和ACPI两种不同的标准，提供了两个不同的模块来实现电能治理功能，这确实是apm和acpi。
apm和acpi是相互冲突的两个模块，用户在同一时刻内只能加载其中之一，若是当他们在加载的时候发觉二者之一已经加载，就会自动退出。
在官方发布的内核中APM是较为成熟的电能治理方式，能够完成在Windows下ACPI所能完成的大部份功能。
由于官方内核中ACPI的功能比较有限，目前还处于开发版状态。
因此当前的大多数distribution，如RedHat默许就利用了apm作为电能治理方式。
可是值得注意的是Linux中的ACPI事实上是由一个单独的项目小组模块进行保护的，当前内核ACPI的版本事实上已经远远掉队于最新的版本。
由于Linux稳固版中对任何新特性的加入都超级谨慎警惕，因此咱们或许只能等到更新版本的Linux诞生后才能看到ACPI的稳固全功能版了。
只是咱们也能够自己对内核打最新的ACPI补丁来取得这些功能。
为了让Linux内核中的电能治理功能够更好的被利用，咱们还需要用户态daemon程序的配合。
针对APM和ACPI，别离有apmd和acpid两个不同软件。
他们实现的功能比较类似，都是许诺用户预先概念某些策略，然后跟踪电源状态，执行特定的操作。
在apmd软件包中还有一个工具apm，用户能够用它使机械主动进入standby和suspend状态，还能够查询bios的apm版本号。
在利用acpi时直接对proc文件系统进行操作即可完成一样的功能。
在Linux下没必要为驱动别离编写与APM和ACPI相对应的代码，Linux与Windows类似，为驱动提供了统一的电能治理接口。
驱动只要实现了这些接口，就能够够实现电能治理的功能。
操作系统在它以为适合的时候就会通知驱动完成这些操作。
实现设备电能治理接口要紧需要实现以下5点：
利用pm_register对设备的每一个实例（instance）进行注册；在对硬件进行操作之前挪用pm_access（如此会保证设备已被唤醒而且处于ready状态）；用户自己的pm_callback函数在系统进入suspend状态（ACPID1-D3），或从suspend状态恢复（ACPID0）的时候会被挪用；当设备不在被利用的时候挪用pm_dev_idle函数，那个操作是可选的，能够增强设备idle状态的监测能力。
当被unload的时候，利用pm_unregister来取消设备的注册。
Linux中的电能治理是进展中的代码。
从目前的趋势来看ACPI终将取代APM。
此刻利用APM那么是较为成熟和稳妥的方案。
而在智能电话领域占据超过半壁河山的Symbian系统[21]中，由内核提供了一个有效的电能治理框架。
许诺对单个硬件的电能状态做出修改，而且能够治理全局的电能状态。
框架要紧由两部份组成：
用来标识请求电能治理的设备的句柄和对这些句柄治理的电能治理模型。
每一个利用电能治理的设备驱动器或内查对象都会有一个句柄，当电源状态要改变的时候，会向电源模型发出一个请求，依照电能模型的响应来做出相应的改变。
在同一个系统里面，只有一个电能模型，这是整个电能治理的核心。
在启动时就安装该模型，其后一直在系统中运行。
电能模型在内部保护一个句柄表，通过监控句柄来监控设备，并依照句柄的请求发送电能状态转换的指令。
第一是个别设备电源状态的转变，但许多设备同时改变时，电源模型就会改变整个系统的电源状态。
在PM的进展进程中，SPM是基础，在设计时发挥作用，就比如学生在学校里学习知识一样，DPM是进展，在运行中发挥作用，就比如学生毕业后在工作职位上活学活用，施展才干。
从进展趋势上来看，DPM是最近几年来的热点，从所涉及的文章中表现出以下几个要点值得重视。
第一，单个算法可能很难达到最优的成效，采纳混合算法的DPM可能是以后进展的方向；第二，单纯的休眠乃相当闭设备不必然能真正减少电能消耗，若是不重视减少状态转换间的损失，包括时刻上的和能源上的，可能会得不偿失；第三，单个设备的电能优化不必然意味着整个设备的电能优化，可能会增加其他设备的耗电量，因此在优化时应该尽可能从全局考虑DPM；第四，在处置电能治理时，
升级会员 