TinyEP：面向极端边缘设备的TinyML增强型能源分析

论文标题：TinyEP: TinyML-enhanced Energy Profiling for Extreme Edge Devices

中文标题：TinyEP：面向极端边缘设备的TinyML增强型能源分析

作者信息：

• Kilian Müller（IEEE会员），Siemens AG, Foundational Technologies, Erlangen, Germany
• Johannes Weidner，Siemens Mobility GmbH, Erlangen, Germany
• Norman Franchi（IEEE会员），Institute for Smart Electronics and Systems, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany
• Peter Wägemann，System-Software Group, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany

论文出处：IEEE Access

摘要： 随着物联网(IoT)在日常操作中的广泛集成，优化低功耗边缘设备中的能源消耗变得越来越重要。特别是在为第三方提供电池供电的IoT平台（如传感器网络）以运行定制的传感和感知应用程序时，出现了两个主要需求：(A) 准确测量任务的能源消耗，以公平地在各方之间分配维护和运营成本；(B) 可靠地识别能耗波动大的任务，以防止对敏感测量活动造成干扰。然而，对于紧凑、成本效益高且能效的功率测量解决方案的需求常常使得这些平台的动态范围、分辨率和整体测量质量受到影响。为了解决这些挑战，我们引入了TinyEP，一个利用高度受限微控制器上的机器学习（TinyML）来增强有限测量硬件记录的功耗追踪的质量的系统。我们的方法结合了模型最后一层的在线学习以及来自现有电池燃料计IC的稀疏反馈，以自动适应新环境并补偿概念漂移。我们在极端条件下评估了TinyEP的鲁棒性，展示了其在-40°C至80°C的温度范围内的有效运行。我们的结果表明，TinyEP改善了记录功耗追踪的平均绝对百分比误差（MAPE），并将任务能耗测量的MAPE从超过2%降低到0.8%以下。此外，它还显著减少了任务能耗测量中的残差方差。

引言： 由于隐私、能源、延迟和弹性原因，数据处理不断从网络核心和边缘转移到数据源，通常是极端的边缘设备。这些高度受限的设备现在面临着动态的计算负载，通常是以多租户的方式。由于这些设备通常由电池供电，准确测量每个租户任务的能源份额至关重要，以便向最终客户提供公平的平台即服务业务模型，并做出节能的调度决策。

问题陈述： 我们确定了以下问题，这些问题目前阻碍了在实地部署的高度受限IoT设备上为任务生成详细的功耗追踪和能源测量。

贡献和大纲： 为了解决上述挑战，我们介绍了TinyEP系统，并提出了以下三项贡献：

1. 我们展示了在高度受限设备上实时部署基于TinyML的误差补偿模型以纠正累积能耗和功耗追踪的可行性和优势。
2. 我们进一步展示了我们方法的弹性和适应性，通过在不同环境（-40°C至80°C）中部署TinyEP以及其他常见的基于软件的解决方案。
3. 我们还展示了如何仅使用已经集成的电池燃料计IC的稀疏累积能耗反馈，我们可以在设备上微调我们的错误补偿模型的最后一层，以适应新的环境条件，而不需要依赖更多的外部传感器数据。

相关工作： 由于嵌入式系统中能源需求的重要性，关于能源分析和预测的相关工作很多。TinyEP通过（1）基于TinyML的误差补偿、（2）在宽温度范围内的适用性以及（3）对概念漂移的补偿能力，推进了技术的发展。

系统模型： 本节介绍了不同的定义和整体系统模型。

方法： TinyEP的目标是为具有有限功率测量硬件的高度受限IoT设备提供准确分析任务的能耗和行为的能力。在接下来的章节中，我们将详细阐述方法的不同部分。

实验设置： 本节介绍了随机任务集、TinyML模型选择和评估设置及过程的更多信息。

评估和结果： 本节讨论了在不同环境中部署TinyEP所获得的结果，以及TinyEP对整个系统能耗的影响。

结论： 本文介绍了TinyEP，这是一种成本效益高的基于TinyML的能源分析解决方案，旨在解决传统功率测量硬件在资源受限设备中的固有局限性。我们的评估展示了在有限测量硬件下能源分析的显著改进。