Cover Image

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

SILVA FILHO, Abel Guilhermino da, também é conhecido em citações bibliográficas por: SILVA-FILHO, Abel Guilhermino da.

Main Author: CARVALHO, Sidartha Azevedo Lobo de
Other Authors: SILVA FILHO, Abel Guilhermino da
Format: doctoralThesis
Language: por
Published: Universidade Federal de Pernambuco 2020
Subjects:
Sistemas Embarcados
Gerenciamento de energia
Aprendizado de máquina
Redução de energia
Online Access: https://repositorio.ufpe.br/handle/123456789/36048
Tags: Add Tag
No Tags, Be the first to tag this record!
id ir-123456789-36048
recordtype dspace
spelling ir-123456789-360482020-01-18T05:16:25Z Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia CARVALHO, Sidartha Azevedo Lobo de SILVA FILHO, Abel Guilhermino da http://lattes.cnpq.br/9163574470590664 http://lattes.cnpq.br/8983932189780223 Sistemas Embarcados Gerenciamento de energia Aprendizado de máquina Redução de energia SILVA FILHO, Abel Guilhermino da, também é conhecido em citações bibliográficas por: SILVA-FILHO, Abel Guilhermino da. 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. FACEPE Embedded and mobile systems execute applications that exercise hardware differently depending on the computation task, generating time-varying workloads. Energy minimization can be reached by using the low-power CPU frequency for each workload. Identify an approach capable of reducing energy consumption from adaptation to workload variations, even in an unknown environment is necessary. We proposed a new method to predict the CPU workload called AEWMA-MSE and added new functionality to detect workload changes. Also, a new power model for mobile devices based on 𝑘-NN algorithm for regression was proposed and validated proving to have a better trade-off between execution time and precision than neural networks and linear regression-based models. AEWMA-MSE and the proposed power model are integrated into a novel algorithm for energy management based on reinforcement learning (𝑄-learning) that suitably selects the appropriate CPU frequency based on workload predictions to minimize energy consumption. The proposed approach is validated through simulation and real measurement by using two commercial smartphones. Our proposal proved to have an improvement in the 𝑄-learning cost function and can effectively minimize the energy consumption by up to 42% when compared to the already existing approaches. Our approach has demonstrated to have the restrictions of time and resources utilization required for mobile devices, besides that, providing significant levels of energy savings. 2020-01-17T12:16:13Z 2020-01-17T12:16:13Z 2019-08-22 doctoralThesis CARVALHO, Sidartha Azevedo Lobo de. Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia. 2019. Tese (Doutorado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2019. https://repositorio.ufpe.br/handle/123456789/36048 por openAccess Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ application/pdf Universidade Federal de Pernambuco UFPE Brasil Programa de Pos Graduacao em Ciencia da Computacao
institution REPOSITORIO UFPE
collection REPOSITORIO UFPE
language por
topic Sistemas Embarcados
Gerenciamento de energia
Aprendizado de máquina
Redução de energia
spellingShingle Sistemas Embarcados
Gerenciamento de energia
Aprendizado de máquina
Redução de energia
CARVALHO, Sidartha Azevedo Lobo de
Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
description SILVA FILHO, Abel Guilhermino da, também é conhecido em citações bibliográficas por: SILVA-FILHO, Abel Guilhermino da.
author2 SILVA FILHO, Abel Guilhermino da
format doctoralThesis
author CARVALHO, Sidartha Azevedo Lobo de
author_sort CARVALHO, Sidartha Azevedo Lobo de
title Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
title_short Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
title_full Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
title_fullStr Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
title_full_unstemmed Gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
title_sort gerenciamento autônomo de energia em dispositivos móveis utilizando aprendizagem por reforço para economia de energia
publisher Universidade Federal de Pernambuco
publishDate 2020
url https://repositorio.ufpe.br/handle/123456789/36048
_version_ 1661517341341515776
score 13.657419

Similar Items