Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia

Abstract

Sistemas embarcados e móveis executam diferentes tipos de aplicações que estimulam o hardware de maneira distinta, gerando cargas de processamento variáveis com o tempo. Uma redução no consumo de energia pode ser alcançada usando uma frequência de Unidade Central de Processamento ou Central Processing Unit (CPU) específica para cada tipo de carga de processamento. É necessário que a abordagem seja capaz de reduzir o consumo de energia a partir da adaptação às variações da carga de processamento, mesmo em um ambiente desconhecido. Por este problema, propomos um novo método para predizer a carga de processamento da CPU para dispositivos móveis com o diferencial da funcionalidade de detecção de mudanças na carga de processamento de forma autônoma, chamado de AEWMA-MSE. Além disso, um novo modelo de predição de potência, baseado no 𝑘-Nearest Neighbor (𝑘-NN) para regressão, foi proposto e validado demonstrando um melhor balanceamento entre tempo de execução e precisão quando comparado à rede neural e modelos de regressão lineares. Após isso, o AEWMA-MSE e o modelo de predição de potência são integrados em um novo algoritmo para gerenciamento de energia, baseado em aprendizagem por reforço (𝑄-learning), que seleciona a frequência de CPU que minimiza o consumo de energia. A abordagem proposta foi validada utilizando simulação e medições reais com dois smartphones comerciais. A abordagem proposta demonstrou um melhoramento na função de custo do 𝑄-learning que conseguiu atingir uma redução do consumo de energia, alcançando até 42% de economia, a depender da abordagem e benchmark em comparação. A abordagem proposta demonstrou cumprir as restrições de tempo e utilização de recursos necessários para os dispositivos móveis, além disso, provendo níveis significantes de economia energética.