卢翠荣,邹静昭
(河北中医学院,河北石家庄050200)
基于云计算平台的动态电源管理策略研究
卢翠荣,邹静昭
(河北中医学院,河北石家庄050200)
低功耗的嵌入式系统是物联网的核心技术之一。而应用于嵌入式系统中的动态电源管理是保证系统低功耗和可靠运行的关键。利用云计算平台,提出了一种基于自适应学习过程的神经网络算法,用来预测电源系统的欠载状态。实验结果表明,该方法具有很强的适应性和稳定性,对于嵌入式系统的空闲时段的预测,具有相当的准确性。
动态电源管理;云计算;自适应学习;BP网络
低功耗的嵌入式系统是指以物联网应用为中心,以电力电子技术为基础,形成的软硬件可裁剪的、实时可靠性强、体积小、功耗低的专业计算机系统[1]。该系统的稳定运行,依赖于电源系统的强大功能。同时,它也常常受到成本等条件的限制,使嵌入式系统的功耗设计成为整个系统设计的重要方面。因此,利用更复杂的处理器预测算法来对处理器的工作状态进行实时的管理和预测是动态管理电源系统的关键点。
动态电源管理DPM(dynamic power management)是一种应用非常广泛的低功耗设计策略,其主要的功能是通过对系统或功耗可控设备的状态和负载进行实时的分析,动态地调整系统或设备的配置,从而降低系统或设备在空闲时的功耗,以达到系统功耗最小的目的。目前,DPM策略大致可以分为预测类、随机类和超时类等三种,其中,预测类的精度最好。
预测类的DPM策略主要依赖对系统运行过程的认知程度,认知程度越高,预测结果越准确。本文采用神经网络算法来构建系统运行状态认知系统。为了提高预测的准确性,利用云计算平台来进行自适应学习,从而满足了系统的性能要求。
神经网络是以人脑神经元结构为主要模拟对象,通过建立相应的数学模型而形成的类似于人脑工作机制的数据演算方法。基于神经网络的预测方法可以完成对大量复杂数据的抽取、分析功能,并且具有良好的鲁棒性、自组织适应性。同时,神经网络算法还可以实现分布式存储、并行处理,并具有高度的容错性。因此,近年来越来越被人们所关注。
图1 BP神经网络基本结构
目前,最流行的神经网络算法是BP神经网络算法,主要由输入层、隐含层、输出层组成,其基本结构如图1所示,其中,X代表着输入变量,H代表着隐含层,Y代表着输出变量。网络工作过程中,输入信息先通过输入层节点,向前传播到隐层节点,经过计算节点的激活函数后,将各个计算节点的输出信息传播到输出节点,最后得到输出结点。在本设计中,输入层的数据来自于所使用电源的嵌入式系统的工作状态,主要涉及的是处理器的工作负荷。依据不同的系统,可以设定处理器的工作状态分为{Q1、Q2、Q3、Q4、Q5}等状态,依次对应{满负荷工作、超半负荷工作、半负荷工作、弱半负荷工作、空闲}等五种状态,五种状态所对应的电源工作状态也是五个,以标识不同的能耗,将处理器运行的各个运行状态进行逐一标注后所形成的数据系统,构成了神经网络的输入层数据。输入层数据的准确性和完整性是神经网络输出量是否正确的主要源头,因此,本设计采用了自适应学习方法来进行纠正。隐含层是神经网络建立复杂映射关系的关键,在隐含层主要确定的因素有两个,一个是隐含层节点的数目,另一个是隐含层中的映射函数。节点的数目可根据系统要求精度来设置,一般来说,隐含层节点太少,网络不能建立复杂的映射关系,使网络培训效果差,容错性不理想;节点数过多,又会使网络学习时间过长,影响网络的收敛性和时效性,因此需要根据设计者的经验及多次实验确定一个最佳的隐含层节点数。本设计中隐含层中的节点输出函数为:
式中:f[x]为输入层输出;Wir为输入层到隐含层间的连接权;Tr为隐含层的阈值。输出层为电源的工作状态,以完成电源工作的有效控制。
BP神经网络算法非线性映射能力强、容错性好。因此,作为一种预测技术,受到了广泛的关注。为了进一步提高神经网络的运算准确性,本设计利用自适应算法来改进相应输入层的准确性,由于自适应算法所需的空间成本较高,因此,采用云计算平台来完成。
云计算的平台具有规模化、虚拟化、高可靠性、高扩展性、多用户、通用性、低成本等特点[2]。云计算平台可以利用资源的动态调度,有效地实现分布式的数据存储和计算,从而完成复杂的数据分析过程。图2为本设计中云平台的基本架构图。
图2 云平台基本架构
在本设计中,云平台的作用是形成动态电源神经网络算法的输入层数据序列。为了保证数据序列的实时性和准确性,采用自适应学习树的方法来进行数据序列的自适应训练。
自适应学习树(adaptive learning tree,简写为ALT)是一种预测结构模型,基本结构如图3所示。自适应学习树主要由两种节点和两种分支组成,两种节点是决策节点(用圆表示)、叶子节点(用矩形表示),决策节点表示过去的时间里设备所处的状态,可以按照提前设定好的分级数来定义具体节点的状态,叶子节点代表设备状态的置信度,对应的数值越高,系统输入的数据序列的可靠性越高;两种分支分别对应的是预测分支(用虚线表示)和历史分支(用实线表示)。每个预测分支用来连接决策节点和叶子节点,历史分支用来连接相邻的决策节点。
图3展示的是一个节点对应三种工作状态的情况,分别为正常工作状态、半负荷工作状态、零负荷工作状态。如图所示X0对应的是上一个时刻处理器的运行状态,下一个时刻对应着三种预测X1、X2、X3,相对应的概率为1/3、1/3、1/3,当下一个时刻有了真实值后就加大其对应分支的概率为1/2、其他两个分支为1/4、1/4,以此推类,生成该节点在下面某一时刻的预测序列,选取其中概率值最大的为神经网络该节点的对应输入值。
图3 自适应学习树基本结构
经过一系列的自适应计算,神经网络对应的某一设备的有效预测值序列就可以生成了。不同的设备对应着不同的序列。由于计算量比较大,自适应的计算放置在云端不同的分布式设备上,具有时间效率好,准确性高的特征。
随着云计算技术越来越成熟,采用云计算平台来对复杂的数据处理具有良好的实时性和动态特性。本设计利用云计算平台构建了自适应学习过程,可以实现嵌入式系统某一个未来时刻对应工作状态的预测,从而形成有效的神经网络输入层样本数据,并通过神经网络隐含层相应函数的计算,得出相应某一时刻电源可能的工作状态,从而完成对电源系统的动态管理。
[1]卜爱国,刘昊,李杰.PBALT动态电源管理策略[J].电路与系统学报,2005(8):56-58.
[2]李伟生,王冬.改进自适应学习树电源管理预测策略[J].计算机工程与设计,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
卢翠荣(1978—),女,河北省人,本科,讲师,主要研究方向为计算机应用。
邹静昭(1979—),女,河北省人,本科,讲师,主要研究方向为计算机基础教学。