Self-Construc.ve High-Rate System Energy Modeling for - - PowerPoint PPT Presentation

Self-­‑Construc.ve ¡High-­‑Rate ¡System ¡Energy ¡Modeling ¡ for ¡Ba=ery-­‑Powered ¡Mobile ¡Systems ¡ Mian ¡Dong ¡and ¡Lin ¡Zhong ¡

¡

¡

Rice ¡University ¡

System Energy Model

Response ¡y(t): ¡ ¡ Energy ¡consumed ¡ by ¡the ¡system ¡in ¡t

y(t) = f(x1(t), x2(t),…, xp(t))

Predictors ¡xi(t): ¡ ¡ System ¡status ¡ variables ¡in ¡t

Rate (1/t)

0.01Hz ¡ 1Hz ¡ 100Hz ¡

A High-Rate Energy Model

is ¡needed ¡to ¡provide ¡an ¡energy ¡reading ¡ at ¡each ¡OS ¡scheduling ¡interval ¡

10ms ¡

Target System Data Acquisition Equipment Host PC

31,415,926

y(t1) ¡ x1(t1) x2(t1) … xp(t1) ¡ x1(t2) x2(t2) … xp(t2) ¡ x1(tn) x2(tn) … xp(tn) ¡ y(t2) ¡ y(tn) ¡ t=t1=t2=…=tn ¡

X(t) Y(t)

Regression

Model Construction

Target System Data Acquisition Equipment Host PC

31,415,926

t=t1=t2=…=tn ¡

y(t) = β0+β1x1(t)+…+ βpxp(t) β = argminβ(║Y(t)−[1 X(t)]β║2) ^ ¡

Linear ¡Model: ¡

Model Construction

Target System Data Acquisition Equipment Host PC

31,415,926

t=t1=t2=…=tn ¡

y(ti) − y(ti) err(ti) = y(ti) ¡ ^ ¡ ^ ¡ ^ ¡ ^ ¡ ^ ¡ y(t) = β0+β1x1(t)+…+ βpxp(t)

Linear ¡Model: ¡

Model Construction

Mean ¡Absolute ¡ ¡ Root-­‑Mean-­‑Square ¡

What are the limitations?

External Devices

for ¡energy ¡measurement ¡

¡

Deep Knowledge

for ¡predictor ¡collec.on ¡

¡ www.nokia.com ¡

Exclusive Model

for a specific platform

¡

Fixed Model for ¡all ¡

instances ¡of ¡the ¡same ¡plaKorm ¡

Hardware & Usage

suggest ¡“personalized” ¡models ¡ be ¡constructed ¡for ¡a ¡mobile ¡system ¡ ¡ Dependencies ¡of ¡ system ¡energy ¡models ¡on ¡

Self-Constructive ¡

System ¡Energy ¡Modeling ¡

External Devices Deep Knowledge Exclusive Model Fixed Model Battery Interface Statistical Learning

Personalized Model

Battery

Interface

State-­‑of-­‑the-­‑art ¡ba=ery ¡Interfaces ¡are ¡

Low-rate/Inaccurate

N85 ¡ T61 ¡ N900 ¡ Max ¡Rate ¡ 4Hz ¡ 0.5Hz ¡ 0.1Hz ¡ Accuracy ¡ 67% ¡ 82% ¡ 58% ¡

Accuracy ¡= ¡100% ¡– ¡Root_Mean_Square(Instant_Rela.ve_Error) ¡

Errors ¡in ¡ba=ery ¡interface ¡readings ¡ are ¡Non-Gaussian

High-­‑Rate/Accurate ¡ ¡ System ¡Energy ¡Model ¡ ¡ Low-­‑Rate/Inaccurate ¡ ¡ Ba=ery ¡Interface ¡ ¡

Statistical Learning

0% ¡ 10% ¡ 20% ¡ 30% ¡ 40% ¡ 50% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

N900 ¡ T61 ¡ N85 ¡

Averaged ¡ba=ery ¡interface ¡readings ¡

have ¡

Higher Accuracy

but ¡

Even Lower Rate

y x

Time ¡

y(t) y(T) x(t) x(T)

Time ¡ High-­‑rate ¡data ¡points ¡ Low-­‑rate ¡data ¡points ¡

High-­‑rate ¡data ¡points ¡ Low-­‑rate ¡data ¡points ¡

Linear ¡models ¡are ¡

Independent on Time

• 1. Model Molding

0.01Hz ¡ 1Hz ¡ 100Hz ¡ Y(tH) Y(tL) Y(tVL) X(tH) X(tVL) β ¡ ^ ¡ ^ ¡ β ¡ ^ ¡

0% ¡ 10% ¡ 20% ¡ 30% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

Ba=ery ¡ ¡ Interface ¡

0% ¡ 10% ¡ 20% ¡ 30% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

Model ¡Molding ¡improves ¡rate

Ba=ery ¡ ¡ Interface ¡ Molded ¡ Model ¡

• 2. Predictor Transformation

x1(t), x2(t),…, xp(t) z1(t), z2(t),…, zL(t)

Principle ¡ ¡ Component ¡ ¡ Analysis ¡

L L ≤ p p

0% ¡ 10% ¡ 20% ¡ 30% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

PCA ¡improves ¡accuracy

Ba=ery ¡ ¡ Interface ¡ Molded ¡ Model ¡ Molded ¡ Model ¡+ ¡ PCA ¡

x y yj rj y=f(x)

Training data points

dj xj Δxj

• 3. Total-Least-Square

0% ¡ 10% ¡ 20% ¡ 30% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

TLS ¡improves ¡accuracy ¡at ¡high ¡rate ¡

Ba=ery ¡ ¡ Interface ¡ Molded ¡ Model ¡ Molded ¡ Model ¡+ ¡ PCA ¡ Molded ¡ Model ¡+ ¡ PCA ¡+ ¡TLS ¡

Data ¡Collector

Sesame

Model ¡Constructor

Predictor ¡ transformation

Model

Model ¡Manager Operating ¡ System Bat ¡I/F STATS

Energy ¡ ¡readings ¡ Stats ¡readings ¡ Predictors Responses

Model ¡molding

Application ¡ specific ¡ predictors

Implementa.on ¡

N900 ¡ T61 ¡

Sesame ¡is ¡able ¡to ¡ ¡generate ¡energy ¡ models ¡with ¡a ¡rate ¡up ¡to ¡100Hz T61 ¡ N900 ¡ 1Hz ¡ 95% ¡ 86% ¡ 100Hz ¡ 88% ¡ 82% ¡

Accuracy ¡= ¡100% ¡– ¡Root_Mean_Square(Instant_Rela.ve_Error) ¡

Field ¡Study ¡

Day ¡1-­‑5: ¡ ¡ ¡Model ¡Construc.on ¡ Day ¡6: ¡ ¡ ¡ ¡Model ¡Evalua.on ¡

Models ¡were ¡generated ¡within ¡15 ¡hours ¡

0% ¡ 10% ¡ 20% ¡ 30% ¡ 7 ¡ 9 ¡ 11 ¡ 13 ¡ 15 ¡

Error ¡ Time ¡(hour) ¡

User ¡1 ¡ User ¡2 ¡ User ¡3 ¡ User ¡4 ¡ 0% ¡ 10% ¡ 20% ¡ 30% ¡ 1 ¡ 2 ¡ 3 ¡ 4 ¡

Error ¡ Laptop ¡User ¡

Sesame@1Hz ¡ Sesame@100Hz ¡

Sesame ¡is ¡close ¡to ¡State-­‑of-­‑the-­‑Art ¡

without any external assistance

0% ¡ 5% ¡ 10% ¡ 15% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡ 1000 ¡

Average ¡Absolute ¡RelaCve ¡ Error ¡ Rate ¡(Hz) ¡

Sesame ¡ PowerTutor ¡ PowerBooter ¡ FSM ¡ (Eurosys’11) ¡ (CODES+ISSS’10) ¡ (CODES+ISSS’10) ¡

¡ ¡ ¡

• 1. Sophisticated Statistical Methods
• 2. Capability to Adapt Models

Sesame ¡is ¡able ¡to ¡construct ¡models ¡

• f ¡high ¡accuracy ¡because ¡of ¡

¡ ¡ ¡ Virtual Power Meter

Sesame ¡is ¡a ¡high-­‑rate/accurate ¡

¡ ¡ ¡ Energy Optimization & Management

and ¡creates ¡new ¡opportuni.es ¡in ¡

y(t) = β0+β1x1(t)+…+ βpxp(t)

Software Optimization

“Knob” ¡ provided ¡by ¡ ¡ target ¡soiware ¡

y(t) = β0+β1x1(t)+…+ βpxp(t)

Energy Accounting

n Processes

y(t) = β0+β1x1(t)+…+ βpxp(t)

Energy Accounting

x1(t) = x1,1(t)+…+ x1,n(t) xp(t) = xp,1(t)+…+ xp,n(t)

yj(t) = β1x1,j(t)+…+ βpxp,j(t)

Energy Contribution by Process j

¡ ¡ ¡

Servers and Workstations

Sesame ¡can ¡be ¡also ¡used ¡for ¡

Conclusions ¡

• Self-­‑Modeling ¡is ¡necessary ¡to ¡adapt ¡to ¡the ¡

changes ¡in ¡hardware ¡and ¡usage ¡

• Sta.s.cal ¡methods ¡help ¡to ¡construct ¡high-­‑

rate ¡/accurate ¡models ¡from ¡low-­‑rate/ inaccurate ¡ba=ery ¡interfaces ¡

• Sesame ¡creates ¡new ¡opportuni.es ¡in ¡system ¡

energy ¡op.miza.on ¡and ¡management ¡

Sesame ¡is ¡close ¡to ¡op.mal ¡

0% ¡ 5% ¡ 10% ¡ 15% ¡ 20% ¡ 0.01 ¡ 0.1 ¡ 1 ¡ 10 ¡ 100 ¡

RMS ¡of ¡RelaCve ¡Error ¡ Rate ¡(Hz) ¡

Bat ¡I/F ¡ Sesame ¡ External ¡

T61 ¡

0 ¡ 1 ¡ 2 ¡ 3 ¡ 4 ¡ 5 ¡

T61 ¡(original) ¡ T61 ¡(pca) ¡ T61 ¡(pca+syscall) ¡ N900 ¡(original) ¡ N900 ¡(pca) ¡ N900(pca+syscall) ¡

Latency ¡(ms) ¡

response ¡collec.on ¡ predictor ¡collec.on ¡ model ¡calcula.on ¡

Why ¡user ¡experience ¡is ¡good? ¡

15 ¡ 20 ¡ 25 ¡ 30 ¡ 35 ¡ 40 ¡ 0% ¡ 20% ¡ 40% ¡ 60% ¡ 80% ¡ 100% ¡

System ¡Power ¡(W) ¡ CPU ¡UClizaCon ¡

Player ¡ Developer ¡ Calibrater ¡

30%

¡

Models ¡built ¡with ¡different ¡apps ¡ es.mate ¡differently ¡by ¡

Why ¡High ¡rate ¡is ¡hard? ¡

What ¡is ¡the ¡limita.on ¡of ¡linearity ¡

• USENIX ¡paper ¡

Why ¡Sesame ¡is ¡be=er ¡for ¡laptop ¡than ¡ smartphone? ¡