[发明专利]用于安卓设备的能耗分析方法

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种用于安卓设备的能耗分析方法。

背景技术

以智能手机为代表的智能设备如今越来越成为日常生活中不可缺少的一部分，其中安卓系统占据了智能设备中超过80％的份额。对安卓设备的能耗的有效分析能够帮助开发者了解应用的能耗行为并进而提升用户体验。

然而，对安卓应用的能耗进行量化分析在工程实践上有相当的难度，这主要是由于：第一，安卓应用有可能基于多个层次的API进行开发，例如，可基于第三方库API，也可基于安卓Framework层的API，还可基于Linux层的API；第二，安卓应用存在尾电耗的行为，所谓尾电耗是指使用Wi-Fi、Flash、LTE等硬件模块的过程中，例程使这些硬件模块进入一个高电耗的状态，而当例程执行完毕时，其使用的硬件模块仍将保持相当长一段时间的高电耗状态；第三，单个硬件模块的能耗经常受到其它硬件模块的影响，例如，与显示相关的GPU、CPU、显示屏等模块有很强的相关性。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种用于安卓设备的能耗分析方法。该方法包括以下步骤：

步骤1：获取待测安卓设备中部件的能耗特征数据集；

步骤2：以所述能耗特征数据集作为输入，利用基于LSTM(长短期记忆网络)的神经网络模型获得所述待测安卓设备的能耗数据，其中，所述基于LSTM的神经网络模型通过训练获得的，训练数据集是以已知的能耗特征数据集为输入，以相应时刻的安卓设备的实际能耗为输出。

在本发明的方法中，所述部件包括CPU、GPU、Wi-Fi模块、LTE模块、Flash、显示屏中的至少一项。

在本发明的发明中，所述能耗特征数据集包括CPU的核心频率、CPU的使用率、GPU的核心电压级别、GPU的使用率、Wi-Fi的接收字节数和发送字节数，LTE的接收字节数和发送字节数、Flash的读字节数和写字节数、显示屏的亮度值中的至少一项。

在本发明的方法中，当所述能耗特征数据集包括显示屏的亮度值时，将所述显示屏的亮度值归一化到[0，1]区间。

在本发明的方法中，所述能耗特征数据集通过采集所述部件发生驱动调用事件时的内核级的能耗特征值而获得。

在本发明的方法中，所述驱动调用事件包括Wi-Fi的数据发送函数的调用、Wi-Fi的数据接收函数的调用、CPU频率变化事件、CPU上下文切换事件、GPU核心电压级别变换事件、GPU统计数据更新事件、LTE的数据发送事件、LTE的数据接收事件、Flash的数据读取事件或Flash的数据写入事件、显示屏亮度变化事件中的至少一项。

在本发明的方法中，所述基于LSTM的神经网络模型包括LSTM单元层网络、dense层网络和线性回归层。

在本发明的方法中，所述安卓设备的实际能耗是耗电量。

与现有技术相比，本发明的优点在于：可实现基于内核的能耗特征采集，追踪包括CPU、GPU、Flash、LTE、Wi-Fi、显示屏在内的硬件驱动的关键状态变换事件，并从中提取用于能耗模型训练的能耗特征；基于LSTM神经网络的安卓设备能耗建模方法，利用设备实际使用过程中产生的硬件模块能耗特征数据和相应时刻的设备实际能耗数据作为模型的训练参数，在能耗分析中充分考虑了硬件模块尾电耗和模块之间复杂的相关性对能耗量化结果准确性的影响。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1示出了根据本发明一个实施例的训练能耗模型的整体流程图。

图2示出了根据本发明一个实施例的用于训练能耗模型的硬件连接图。

图3示出了根据本发明一个实施例的实际能耗数据采集的模块化示意图。

图4示出了根据本发明一个实施例的安卓设备驱动能耗特征数据采集的模块化示意图。

图5示出了根据本发明一个实施例的PC端能耗特征数据采集的模块化示意图。

图6示出了根据本发明一个实施例的用于能耗模型训练的模块化示意图。

图7示出可根据本发明的一个实施例的用于预测安卓设备能耗的方法的流程图。

图8示出了根据本发明一个实施例的使用PC分析安卓设备能耗的硬件连接示意图。

图9示出了根据本发明一个实施例的使用PC分析安卓设备能耗的模块化示意图。

具体实施方式