本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其涉及一種用于安卓設(shè)備的能耗分析方法。

背景技術(shù)：

以智能手機為代表的智能設(shè)備如今越來越成為日常生活中不可缺少的一部分，其中安卓系統(tǒng)占據(jù)了智能設(shè)備中超過80％的份額。對安卓設(shè)備的能耗的有效分析能夠幫助開發(fā)者了解應(yīng)用的能耗行為并進而提升用戶體驗。

然而，對安卓應(yīng)用的能耗進行量化分析在工程實踐上有相當?shù)碾y度，這主要是由于：第一，安卓應(yīng)用有可能基于多個層次的api進行開發(fā)，例如，可基于第三方庫api，也可基于安卓framework層的api，還可基于linux層的api；第二，安卓應(yīng)用存在尾電耗的行為，所謂尾電耗是指使用wi-fi、flash、lte等硬件模塊的過程中，例程使這些硬件模塊進入一個高電耗的狀態(tài)，而當例程執(zhí)行完畢時，其使用的硬件模塊仍將保持相當長一段時間的高電耗狀態(tài)；第三，單個硬件模塊的能耗經(jīng)常受到其它硬件模塊的影響，例如，與顯示相關(guān)的gpu、cpu、顯示屏等模塊有很強的相關(guān)性。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺陷，提供一種用于安卓設(shè)備的能耗分析方法。該方法包括以下步驟：

步驟1：獲取待測安卓設(shè)備中部件的能耗特征數(shù)據(jù)集；

步驟2：以所述能耗特征數(shù)據(jù)集作為輸入，利用基于lstm(長短期記憶網(wǎng)絡(luò))的神經(jīng)網(wǎng)絡(luò)模型獲得所述待測安卓設(shè)備的能耗數(shù)據(jù)，其中，所述基于lstm的神經(jīng)網(wǎng)絡(luò)模型通過訓練獲得的，訓練數(shù)據(jù)集是以已知的能耗特征數(shù)據(jù)集為輸入，以相應(yīng)時刻的安卓設(shè)備的實際能耗為輸出。

在本發(fā)明的方法中，所述部件包括cpu、gpu、wi-fi模塊、lte模塊、flash、顯示屏中的至少一項。

在本發(fā)明的發(fā)明中，所述能耗特征數(shù)據(jù)集包括cpu的核心頻率、cpu的使用率、gpu的核心電壓級別、gpu的使用率、wi-fi的接收字節(jié)數(shù)和發(fā)送字節(jié)數(shù)，lte的接收字節(jié)數(shù)和發(fā)送字節(jié)數(shù)、flash的讀字節(jié)數(shù)和寫字節(jié)數(shù)、顯示屏的亮度值中的至少一項。

在本發(fā)明的方法中，當所述能耗特征數(shù)據(jù)集包括顯示屏的亮度值時，將所述顯示屏的亮度值歸一化到[0，1]區(qū)間。

在本發(fā)明的方法中，所述能耗特征數(shù)據(jù)集通過采集所述部件發(fā)生驅(qū)動調(diào)用事件時的內(nèi)核級的能耗特征值而獲得。

在本發(fā)明的方法中，所述驅(qū)動調(diào)用事件包括wi-fi的數(shù)據(jù)發(fā)送函數(shù)的調(diào)用、wi-fi的數(shù)據(jù)接收函數(shù)的調(diào)用、cpu頻率變化事件、cpu上下文切換事件、gpu核心電壓級別變換事件、gpu統(tǒng)計數(shù)據(jù)更新事件、lte的數(shù)據(jù)發(fā)送事件、lte的數(shù)據(jù)接收事件、flash的數(shù)據(jù)讀取事件或flash的數(shù)據(jù)寫入事件、顯示屏亮度變化事件中的至少一項。

在本發(fā)明的方法中，所述基于lstm的神經(jīng)網(wǎng)絡(luò)模型包括lstm單元層網(wǎng)絡(luò)、dense層網(wǎng)絡(luò)和線性回歸層。

在本發(fā)明的方法中，所述安卓設(shè)備的實際能耗是耗電量。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：可實現(xiàn)基于內(nèi)核的能耗特征采集，追蹤包括cpu、gpu、flash、lte、wi-fi、顯示屏在內(nèi)的硬件驅(qū)動的關(guān)鍵狀態(tài)變換事件，并從中提取用于能耗模型訓練的能耗特征；基于lstm神經(jīng)網(wǎng)絡(luò)的安卓設(shè)備能耗建模方法，利用設(shè)備實際使用過程中產(chǎn)生的硬件模塊能耗特征數(shù)據(jù)和相應(yīng)時刻的設(shè)備實際能耗數(shù)據(jù)作為模型的訓練參數(shù)，在能耗分析中充分考慮了硬件模塊尾電耗和模塊之間復(fù)雜的相關(guān)性對能耗量化結(jié)果準確性的影響。

附圖說明

以下附圖僅對本發(fā)明作示意性的說明和解釋，并不用于限定本發(fā)明的范圍，其中：

圖1示出了根據(jù)本發(fā)明一個實施例的訓練能耗模型的整體流程圖。

圖2示出了根據(jù)本發(fā)明一個實施例的用于訓練能耗模型的硬件連接圖。

圖3示出了根據(jù)本發(fā)明一個實施例的實際能耗數(shù)據(jù)采集的模塊化示意圖。

圖4示出了根據(jù)本發(fā)明一個實施例的安卓設(shè)備驅(qū)動能耗特征數(shù)據(jù)采集的模塊化示意圖。

圖5示出了根據(jù)本發(fā)明一個實施例的pc端能耗特征數(shù)據(jù)采集的模塊化示意圖。

圖6示出了根據(jù)本發(fā)明一個實施例的用于能耗模型訓練的模塊化示意圖。

圖7示出可根據(jù)本發(fā)明的一個實施例的用于預(yù)測安卓設(shè)備能耗的方法的流程圖。

圖8示出了根據(jù)本發(fā)明一個實施例的使用pc分析安卓設(shè)備能耗的硬件連接示意圖。

圖9示出了根據(jù)本發(fā)明一個實施例的使用pc分析安卓設(shè)備能耗的模塊化示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案、設(shè)計方法及優(yōu)點更加清楚明了，以下結(jié)合附圖通過具體實施例對本發(fā)明進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1示出了根據(jù)本發(fā)明一個實施例的總體工作流程圖。包括：

s101，前期準備階段；

s102，采集能耗模型訓練數(shù)據(jù)；

s103，根據(jù)訓練數(shù)據(jù)訓練lstm能耗模型。

下面將參見圖1具體描述各個步驟的實施例。

(1)步驟s101，前期準備階段

步驟s101屬于訓練能耗模型的準備階段，主要完成是使用的軟件平臺搭建和硬件平臺搭建。

首先，準備好安卓系統(tǒng)和對應(yīng)linux內(nèi)核的源碼，并完成安卓源碼的編譯。然后，打開支持systemtap和ftrace的必要編譯選項并編譯linux內(nèi)核，接著制作基于該內(nèi)核的安卓rom，利用刷寫工具刷入安卓設(shè)備。最后，進行systemtap移植，包括確定內(nèi)核版本支持的systemtap版本和交叉編譯systemtap需要的elfutils版本，下載對應(yīng)systemtap和elfutils源碼，利用安卓源碼中提供的gcc編譯器靜態(tài)交叉編譯systemtap，將得到的可執(zhí)行文件上傳到安卓設(shè)備linux中，設(shè)置好調(diào)用systamtap的靜態(tài)鏈接等。

其次，完成硬件平臺的搭建，圖2示意了本發(fā)明一個實施例的硬件連接圖，其中實線表示數(shù)據(jù)傳輸，虛線表示電流傳輸。具體地，用于數(shù)據(jù)解析的pc201和用作驅(qū)動調(diào)用事件來源的安卓設(shè)備202用usb線205相連，安卓設(shè)備202和設(shè)備電池203用導(dǎo)線連接正負極。usb的電源線、安卓設(shè)備與設(shè)備電池的導(dǎo)線間接入電流測量電路204和205，它們采集到的電流數(shù)據(jù)輸出到pc201。該示例的硬件平臺能夠滿足通過usb線控制安卓設(shè)備內(nèi)核驅(qū)動調(diào)用事件追蹤和能耗特征數(shù)據(jù)傳輸?shù)耐瑫r，通過電流測量電路測定的電流計算安卓設(shè)備的實時能耗，并和能耗特征數(shù)據(jù)進行某個時刻的匹配，由某個時刻的能耗特征和該時刻對應(yīng)的實時能耗組成能耗模型的訓練數(shù)據(jù)的需求。

應(yīng)當理解，步驟s101只是為了以下清楚描述本發(fā)明的內(nèi)容，所示意的軟件平臺和硬件平臺的實施例，并不用于限制本發(fā)明。本領(lǐng)域的技術(shù)人員也可采用其它的方式來追蹤內(nèi)核驅(qū)動調(diào)用事件追蹤和獲得能耗特征數(shù)據(jù)，并且隨著安卓系統(tǒng)的升級或更新?lián)Q代，可對上述方法作適當?shù)淖冃汀?/p>

(2)步驟s102，采集能耗模型訓練數(shù)據(jù)

步驟s102包括采集模型訓練數(shù)據(jù)，可采集兩種數(shù)據(jù)，設(shè)備實際能耗數(shù)據(jù)和設(shè)備驅(qū)動能耗特征數(shù)據(jù)。

采集設(shè)備實際能耗數(shù)據(jù)的原理是：

利用圖2所示的硬件連接，設(shè)備的實際能耗可采用下式計算：

p設(shè)備＝uusbiusb+u電池i電池

其中，uusb和u電池分別表示usb和電池的電壓，iusb和i電池分別表示usb和電池上供電的電流。在pc采用標準usb2.0的情況下，工作電流最大為500ma，這個公式分為如下兩種情況：1)當安卓設(shè)備只處理低能耗任務(wù)時，pc給安卓設(shè)備供電的電能完全可以滿足安卓設(shè)備能耗需求，多出部分能耗流向電池進行充電，此時公式中的u電池i電池為負，這是大多數(shù)情況下的能耗場景；2)當安卓設(shè)備執(zhí)行高能耗任務(wù)時，由于pc供電無法滿足安卓設(shè)備能耗需求，需要pc和設(shè)備電池同時給安卓設(shè)備供電，此時公式中u電池i電池為正。

為了清楚的理解設(shè)備能耗數(shù)據(jù)采集的方法，圖3以功能模塊的方式示意了數(shù)據(jù)采集過程，其中，實線表示數(shù)據(jù)流，虛線表示控制流。設(shè)備能耗數(shù)據(jù)采集模塊310的輸入是來自電流測量電路204的usb電流數(shù)據(jù)301和來自電流測量電路206的電池電流數(shù)據(jù)302。設(shè)備實際能耗采集控制單元308控制電流數(shù)據(jù)解析和能耗計算單元303和304是否進行數(shù)據(jù)解析。當308使能數(shù)據(jù)解析時，電流數(shù)據(jù)301經(jīng)過usb電流數(shù)據(jù)解析與能耗計算單元303的數(shù)據(jù)解析得到實時電流，再根據(jù)204的采樣間隔tusb，由wusb＝uusbiusbtusb計算204采樣間隔期間的耗電量wusb，添加到usb能耗數(shù)據(jù)緩沖隊列305。類似的，對電池電流數(shù)據(jù)302的處理也是經(jīng)過數(shù)據(jù)解析與能耗計算單元304得到電流測量電路206采樣間隔的耗電量w電池，添加到電池能耗數(shù)據(jù)緩沖隊列306。應(yīng)注意，此處計算的wusb和w電池是矢量，分充電和放電過程。數(shù)據(jù)緩沖隊列305和306是為了同步測量電路204和206采樣的數(shù)據(jù)和調(diào)節(jié)設(shè)備能耗采樣頻率而設(shè)計的。設(shè)備能耗數(shù)據(jù)的采樣頻率統(tǒng)一由設(shè)備實際能耗采集控制單元308調(diào)節(jié)，按照設(shè)置的采樣頻率定時向設(shè)備能耗計算單元307發(fā)出采樣信號，307接收到信號后，將數(shù)據(jù)隊列305和306中的耗電量分別加和，得到wusb總和w電池總，根據(jù)w設(shè)備＝wusb總+w電池總，基于設(shè)備能耗采樣間隔t設(shè)備根據(jù)w設(shè)備＝p設(shè)備t設(shè)備計算實時單位時間設(shè)備能耗p設(shè)備，也就是309表示的設(shè)備的實際能耗數(shù)據(jù)。

進一步地，現(xiàn)在將詳細描述采集設(shè)備驅(qū)動能耗特征數(shù)據(jù)的基本原理。首先，介紹涉及的2個術(shù)語，即驅(qū)動調(diào)用事件和驅(qū)動能耗特征，前者表示對驅(qū)動關(guān)鍵函數(shù)的調(diào)用，后者表示驅(qū)動關(guān)鍵函數(shù)所影響到能耗的參數(shù)。

根據(jù)本發(fā)明的一個實施例，對wi-fi捕捉的一個驅(qū)動調(diào)用事件是數(shù)據(jù)發(fā)送函數(shù)的調(diào)用，對應(yīng)的驅(qū)動能耗特征是發(fā)送字節(jié)數(shù)。采集能耗特征數(shù)據(jù)可采用事件驅(qū)動的方式，即只有在發(fā)生驅(qū)動調(diào)用事件時才采集一次能耗特征。與傳統(tǒng)的周期性采樣的數(shù)據(jù)采集方式相比，事件驅(qū)動方式的特征數(shù)據(jù)采集的計算和能耗開銷更小，采集的數(shù)據(jù)精度更高，同時也不會丟失時間粒度。每一條能耗特征數(shù)據(jù)的格式可按照“事件類別:[參數(shù)列表]”的形式記錄，參數(shù)列表以空格來間隔以便后續(xù)分析。

類似的，可采集其他模塊的能耗特征數(shù)據(jù)，根據(jù)本發(fā)明的一個實施例，采集的硬件模塊和對應(yīng)的能耗特征如下表所示：

具體而言，對于cpu模塊，主要是運行l(wèi)inux的應(yīng)用處理器，本發(fā)明采集每個cpu核心頻率和使用率，捕捉的驅(qū)動調(diào)用事件包括cpu頻率變化事件和上下文切換事件等。當cpu頻率變化事件發(fā)生時，相應(yīng)函數(shù)參數(shù)會指定需要調(diào)節(jié)的cpu核心號和頻率值，記錄的能耗特征可為“cpu_freq:核心號頻率值”；當cpu上下文切換事件發(fā)生時，cpu的使用率一般發(fā)生變化。通過內(nèi)核函數(shù)可以得到事件發(fā)生的cpu核心號，再由參數(shù)數(shù)據(jù)結(jié)構(gòu)的域分析可以分別采集到cpu執(zhí)行內(nèi)核代碼、用戶空間代碼和空閑狀態(tài)的時間t內(nèi)核、t用戶空間和t空閑，cpu的使用率可以表示為：使用率cpu核心＝(t內(nèi)核+t用戶空間)/(t內(nèi)核+t用戶空間+t空閑)，為使事件捕捉的計算能耗代價最小化，該計算過程可不在事件捕捉階段進行，而是上傳到pc上再進行計算，記錄的能耗特征可表示為：“cpu_utilization:核心號t內(nèi)核t用戶空間t空閑[調(diào)用者信息]”，此處和下文中的[調(diào)用者信息]表示函數(shù)調(diào)用者的基本信息，包括“進程號線程組號用戶號”3個linux系統(tǒng)字段，可以由systemtap內(nèi)置函數(shù)獲取，用來做后續(xù)app能耗從屬分析，由于在進程切換時才會發(fā)生cpu核心調(diào)用者的更替，而cpu頻率變化由驅(qū)動代碼能耗策略觸發(fā)，故無須記錄調(diào)用者信息。

對于gpu模塊，安卓系統(tǒng)中的驅(qū)動一般基于由第三方提供的硬件驅(qū)動層hal(hardwareabstractionlayer)，和cpu不同的是，由于第三方提供的接口不唯一，具體捕捉的函數(shù)需要根據(jù)實際使用的gpu廠商和型號調(diào)整。本發(fā)明采集gpu核心的電壓級別和使用率，捕捉的驅(qū)動調(diào)用事件對應(yīng)為gpu核心電壓級別變化事件和gpu統(tǒng)計數(shù)據(jù)更新事件。當gpu核心電壓級別變化事件發(fā)生時，相關(guān)參數(shù)會指定需要調(diào)節(jié)的電壓級別，記錄的能耗特征為“gpu_level:電壓級別”。當gpu統(tǒng)計數(shù)據(jù)更新事件發(fā)生時，可以通過參數(shù)數(shù)據(jù)結(jié)構(gòu)的域分析采集到gpu核心有效執(zhí)行代碼的時間t有效和gpu上進程執(zhí)行的總時間t總，gpu的使用率表示為：使用率gpu核心＝t有效/t總，為使事件捕捉的計算能耗代價最小化，該計算過程同樣可后移到pc上執(zhí)行，記錄的能耗特征可表示為“gpu_utilization:t有效t總”。和cpu類似，gpu調(diào)用者切換也是在gpu上下文切換事件時發(fā)生，故在能耗特征捕捉時不需要記錄調(diào)用者信息。

對于wi-fi和lte模塊，本發(fā)明采集這2個模塊的發(fā)送和接收字節(jié)數(shù)，對應(yīng)的驅(qū)動調(diào)用事件為數(shù)據(jù)發(fā)送事件和數(shù)據(jù)接收事件。發(fā)送和接收事件相應(yīng)的函數(shù)入口在這兩個模塊中是一致的，而函數(shù)執(zhí)行過程是同步的，模塊的能耗與實際傳輸?shù)臄?shù)據(jù)量有關(guān)，故本發(fā)明在函數(shù)返回時進行事件捕捉。當數(shù)據(jù)發(fā)送事件發(fā)生時，相關(guān)返回值表示實際發(fā)送的字節(jié)數(shù)，通過參數(shù)數(shù)據(jù)結(jié)構(gòu)域分析還可以獲得發(fā)送數(shù)據(jù)的模塊設(shè)備名稱，在能耗特征解析時根據(jù)設(shè)備名稱區(qū)分wi-fi和lte模塊，記錄的能耗特征可表示為“network_send:發(fā)送字節(jié)數(shù)設(shè)備名[調(diào)用者信息]”。同理，數(shù)據(jù)對接收事件中記錄的能耗特征為“network_recv:接收字節(jié)數(shù)設(shè)備名[調(diào)用者信息]”。

對于flash模塊，本發(fā)明采集讀取和接收字節(jié)數(shù)，對應(yīng)的驅(qū)動調(diào)用事件為數(shù)據(jù)讀取事件和數(shù)據(jù)寫入事件，和wi-fi、lte模塊處理類似，也是在函數(shù)返回時進行事件捕捉以記錄實際讀寫字節(jié)數(shù)。由于緩存和回寫等技術(shù)在持久化中的作用，在讀寫小數(shù)據(jù)量時能耗是非常小的，因此，本發(fā)明以1024字節(jié)作為flash讀寫特征記錄的最小閥值，每次捕捉到的讀寫事件只有在讀寫數(shù)據(jù)量超過閥值才進行能耗特征記錄。相應(yīng)的能耗特征可記錄為“flash_read:發(fā)送字節(jié)數(shù)[調(diào)用者信息]”以及“flash_write:接收字節(jié)數(shù)[調(diào)用者信息]”。

對于顯示屏模塊，本發(fā)明采集的能耗特征為亮度值，對應(yīng)驅(qū)動調(diào)用事件為屏幕亮度變化事件，當事件發(fā)生時，通過參數(shù)數(shù)據(jù)結(jié)構(gòu)域分析得到指定的亮度值，能耗特征可表示為“display:亮度值”。

本領(lǐng)域的技術(shù)人員應(yīng)理解的是，盡管本文具體針對gpu、cpu等模塊進行描述，但本發(fā)明所采集的能耗特征數(shù)據(jù)并不限于上述模塊，例如，還可包括gps模塊。

為了清楚的理解安卓設(shè)備驅(qū)動能耗數(shù)據(jù)的采集方法，圖4以功能模塊的方式示意了數(shù)據(jù)采集過程，其中，實線表示數(shù)據(jù)流，虛線表示控制流。linux運行時內(nèi)存分為用戶空間401和內(nèi)核空間402，用戶空間中的進程/線程403通過系統(tǒng)調(diào)用接口404來調(diào)用內(nèi)核代碼。前述的關(guān)鍵內(nèi)核驅(qū)動函數(shù)接口統(tǒng)一指代為409，406表示函數(shù)調(diào)用入口，前述的cpu、gpu、顯示屏模塊的驅(qū)動調(diào)用事件在406進行捕捉，407則是函數(shù)返回出口，前述的wi-fi、lte、flash模塊的驅(qū)動調(diào)用事件在407進行捕捉。驅(qū)動事件捕捉單元408是systemtap內(nèi)核模塊，由圖5的pc端驅(qū)動能耗特征數(shù)據(jù)采集控制單元503通過adb模塊412控制安裝或卸載，驅(qū)動事件捕捉單元408捕捉到調(diào)用事件后通過ftrace將驅(qū)動能耗特征數(shù)據(jù)輸出到內(nèi)核驅(qū)動能耗數(shù)據(jù)鏈表410中。內(nèi)核驅(qū)動能耗特征數(shù)據(jù)讀取單元411同樣由503通過adb模塊412控制，按設(shè)定頻率從410中讀取驅(qū)動能耗特征數(shù)據(jù)，并通過adb模塊412上傳到pc端進行后續(xù)解析。

圖5示出了在pc端分析驅(qū)動能耗特征數(shù)據(jù)方法的示意圖，同樣以功能模塊的方式示意，其中，實線表示數(shù)據(jù)流，虛線表示控制流。驅(qū)動能耗特征數(shù)據(jù)采集控制單元503通過adb模塊412控制圖4中的安卓設(shè)備端能耗特征數(shù)據(jù)采集模塊按設(shè)定頻率上傳原始數(shù)據(jù)501，它是ftrace記錄的數(shù)據(jù)，除了驅(qū)動能耗數(shù)據(jù)外還有其他模塊可以使用ftrace記錄的數(shù)據(jù)，需要能耗特征過濾解析單元502進行過濾解析，以得到不同特征的累積數(shù)據(jù)504。在進行進一步解析之前，對wi-fi、lte模塊收發(fā)字節(jié)數(shù)以及flash模塊讀寫字節(jié)數(shù)分別作累加處理，其他能耗特征直接替換成最新數(shù)據(jù)。接著503按照與設(shè)備實際能耗采集控制單元308一樣的頻率控制能耗模型訓練數(shù)據(jù)生成模塊505重置能耗特征累積數(shù)據(jù)504，并將能耗特征累積數(shù)據(jù)504和實時設(shè)備能耗309整合成“[能耗特征數(shù)據(jù)]設(shè)備能耗”形式的單條能耗訓練數(shù)據(jù)，存入能耗特征數(shù)據(jù)集506。由于數(shù)據(jù)309和504可能是不同步的，所以訓練數(shù)據(jù)生成模塊505的工作方式也是異步的，每次都會異步等待能耗數(shù)據(jù)309的更新之后再生成單條能耗訓練數(shù)據(jù)。

(3)步驟s103，根據(jù)訓練數(shù)據(jù)訓練lstm能耗模型

步驟s103涉及能耗模型的結(jié)構(gòu)和訓練過程。

首先，介紹能耗模型的原理：

不同于現(xiàn)有技術(shù)中需要使用基準測試程序分別對不同硬件模塊建模的方法，本發(fā)明設(shè)計的能耗模型訓練數(shù)據(jù)由安卓設(shè)備的日常使用產(chǎn)生，這使得模型更具泛化能力。為了對尾電耗建模，并防止誤差向后傳遞中可能出現(xiàn)的梯度消失和梯度爆炸的現(xiàn)象，本發(fā)明的能耗模型基于lstm神經(jīng)網(wǎng)絡(luò)，lstm單元能夠記憶能耗特征在過去事件點上發(fā)生的事件。每個單元的計算過程如下：

其中，表示在t時間節(jié)點隱藏層l的狀態(tài)，令表示時間節(jié)點t的輸入，表示神經(jīng)元在t時間節(jié)點隱藏層l的記憶狀態(tài)，t2n,4n即r²ⁿ→r⁴ⁿ，表示進行(wx+b)計算的張量轉(zhuǎn)換，w和b分別表示計算權(quán)重和偏移。⊙表示逐個元素的相乘，d表示droupout操作，所謂dropout是指按比例抑制部分輸出，這種方式可以增加模型的泛化能力并防止模型過擬合。i,f,o,g分別是四個“門”，用來防止向后傳遞中誤差消失和誤差爆炸的情況。sigm和tanh函數(shù)由如下公式定義：

sigm函數(shù):

tanh函數(shù):

sigm的值域范圍為[0,1]，tanh的值域范圍為[-1,1]，它們的求導(dǎo)結(jié)果簡潔，方便在誤差向后傳遞時計算歸并和約簡，主要作為激活函數(shù)使用。為了對模塊之間能耗的相對影響進行建模，本發(fā)明引入了dense層網(wǎng)絡(luò)，即節(jié)點的全連接層。能耗模型屬于回歸模型，最后需要將多參數(shù)輸入整合成單值輸出，本發(fā)明采用線性回歸層進行預(yù)測能耗輸出，具體即對e預(yù)測＝w^tx+b的中間結(jié)果向量x的計算權(quán)重w和偏移b進行回歸學習。能耗模型中l(wèi)stm單元層網(wǎng)絡(luò)、dense層網(wǎng)絡(luò)和線性回歸層的調(diào)節(jié)參數(shù)不能初始化為同一值，因為神經(jīng)網(wǎng)絡(luò)需要不對稱性去實現(xiàn)自身的自我調(diào)整。

圖6示出了本發(fā)明一個實施例的能耗模型訓練模塊示意圖。實線表示數(shù)據(jù)流，箭頭607表示dropout連接，箭頭608表示全連接。數(shù)據(jù)預(yù)處理單元601將能耗模型訓練數(shù)據(jù)集506分成能耗模型驗證數(shù)據(jù)集602和能耗模型訓練數(shù)據(jù)集603(其中，訓練數(shù)據(jù)集603占大部分)，分別對應(yīng)著訓練過程和驗證過程，每隔一定數(shù)量的訓練迭代進行一次模型驗證。接下來的處理由能耗模型訓練單元618完成，在每次訓練迭代時，數(shù)據(jù)預(yù)處理單元604從能耗模型訓練數(shù)據(jù)集603獲取訓練數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)歸一化和數(shù)據(jù)打包操作。歸一化操作是對上述采集的屏幕亮度數(shù)據(jù)進行的，將亮度范圍歸一化到[0，1]區(qū)間，這樣有助于模型參數(shù)更快的修正。數(shù)據(jù)打包可以使模型訓練進行更少的數(shù)據(jù)讀寫和數(shù)據(jù)交換工作，使訓練過程得以加速。在預(yù)處理完成之后，訓練數(shù)據(jù)拆分成由“[特征數(shù)據(jù)]”和“實際能耗”組成的能耗特征數(shù)據(jù)集605和設(shè)備實際能耗數(shù)據(jù)集612，其中，[特征數(shù)據(jù)]是由上述采集的各個特征的數(shù)值數(shù)據(jù)，可由空格間隔。打包好的數(shù)據(jù)進入能耗模型結(jié)構(gòu)611進行單次訓練。能耗模型包括一定數(shù)量由dropout操作607連接的lstm單元層606和少量由全連接608相連的dense層609組成，lstm單元層606和dense層609按參數(shù)規(guī)模和具體需求不同調(diào)整層內(nèi)節(jié)點數(shù)。在輸出前經(jīng)過一個線性回歸層610輸出打包訓練數(shù)據(jù)對應(yīng)的預(yù)測能耗數(shù)據(jù)集613。將612和613通過誤差計算單元614計算得到誤差數(shù)據(jù)615。在單次訓練迭代中，誤差向后傳遞單元616選用適當?shù)奶荻认陆捣ㄓ嬎隳Ｐ椭懈鱾€參數(shù)的誤差值進行誤差調(diào)節(jié)。每隔一定次數(shù)的訓練迭代進行一次能耗模型驗證，處理流程和訓練過程類似，不同之處在于，誤差計算單元614計算出誤差數(shù)據(jù)615之后不作誤差向后傳遞，而是將驗證的數(shù)據(jù)誤差變化儲存到驗證數(shù)據(jù)誤差變化數(shù)據(jù)617中，并通過該數(shù)據(jù)分析訓練過程是否收斂，即誤差變化是否在一個較小的誤差值附近平穩(wěn)，若收斂可停止訓練過程。

能耗模型結(jié)構(gòu)611可用于與訓練設(shè)備202相同或相似型號的安卓設(shè)備的能耗分析。圖7示出了根據(jù)本發(fā)明的一個實施例的分析待測安卓設(shè)備能耗的方法的流程圖。該方法包括：

s710：獲得待測安卓設(shè)備的能耗特征數(shù)據(jù)；

s720：以所述能耗特征數(shù)據(jù)為輸入，利用訓練好的基于lstm的能耗模型獲得待測安卓設(shè)備的能耗。

安卓設(shè)備的能耗預(yù)測可在pc中進行，以不影響安卓設(shè)備的性能，如圖8所示，pc101安裝有能耗量化分析軟件并搭載s101得到的軟件平臺，安卓設(shè)備702與訓練過程使用的設(shè)備202是相同的品牌型號，703是連接使用的usb線，用作數(shù)據(jù)流和控制流傳輸。此外，安卓設(shè)備本身也可安裝能耗量化分析軟件以實施的監(jiān)測能耗。

參見圖9所示的例子，具體訓練過程是：

安卓設(shè)備702上部署的安卓端驅(qū)動能耗特征數(shù)據(jù)采集模塊801的結(jié)構(gòu)如圖4所示，采集的原始能耗特征經(jīng)過pc端驅(qū)動數(shù)據(jù)能耗特征采集模塊802處理得到解析后的能耗特征數(shù)據(jù)集803，802的結(jié)構(gòu)類似于圖5，在利用模型進行能耗預(yù)測的階段不需要采集設(shè)備能耗數(shù)據(jù)，只需生成能耗特征數(shù)據(jù)集803，獲得能耗特征數(shù)據(jù)的過程可參見步驟s102的內(nèi)容。能耗特征數(shù)據(jù)預(yù)處理單元804從803中逐條取出能耗特征數(shù)據(jù)并對其中的顯示屏能耗特征歸一化，之后輸入訓練好的能耗模型611，得到單條能耗預(yù)測數(shù)據(jù)805，最后由預(yù)測能耗可視化單元806進行數(shù)據(jù)可視化。

本發(fā)明的方法可應(yīng)用于安卓設(shè)備的能耗分析，例如，分析一段時間內(nèi)或某個app運行過程的耗電量。經(jīng)過驗證，本發(fā)明的量化誤差可保持在11.3％以下，同時開銷較低，例如，將本發(fā)明方法應(yīng)用于nexus4，能耗特征采集的運行能耗為30.3mw，cpu運行占用率為1.6％。

應(yīng)理解的是，盡管為了清楚起見，圖3、圖4、圖5、圖6和圖8以功能模塊的形式示例了基于本發(fā)明的安卓設(shè)備的能耗分析方法，在不違背本發(fā)明的精神和范圍的情況下，本領(lǐng)域的技術(shù)人員可進行適當?shù)淖冃突蚋淖儭?/p>

本發(fā)明可以是系統(tǒng)、方法和/或計算機程序產(chǎn)品。計算機程序產(chǎn)品可以包括計算機可讀存儲介質(zhì)，其上載有用于使處理器實現(xiàn)本發(fā)明的各個方面的計算機可讀程序指令。

計算機可讀存儲介質(zhì)可以是保持和存儲由指令執(zhí)行設(shè)備使用的指令的有形設(shè)備。計算機可讀存儲介質(zhì)例如可以包括但不限于電存儲設(shè)備、磁存儲設(shè)備、光存儲設(shè)備、電磁存儲設(shè)備、半導(dǎo)體存儲設(shè)備或者上述的任意合適的組合。計算機可讀存儲介質(zhì)的更具體的例子(非窮舉的列表)包括：便攜式計算機盤、硬盤、隨機存取存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、靜態(tài)隨機存取存儲器(sram)、便攜式壓縮盤只讀存儲器(cd-rom)、數(shù)字多功能盤(dvd)、記憶棒、軟盤、機械編碼設(shè)備、例如其上存儲有指令的打孔卡或凹槽內(nèi)凸起結(jié)構(gòu)、以及上述的任意合適的組合。

以上已經(jīng)描述了本發(fā)明的各實施例，上述說明是示例性的，并非窮盡性的，并且也不限于所披露的各實施例。在不偏離所說明的各實施例的范圍和精神的情況下，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說許多修改和變更都是顯而易見的。本文中所用術(shù)語的選擇，旨在最好地解釋各實施例的原理、實際應(yīng)用或?qū)κ袌鲋械募夹g(shù)改進，或者使本技術(shù)領(lǐng)域的其它普通技術(shù)人員能理解本文披露的各實施例。