論文の概要: EnergyAnalyzer: Using Static WCET Analysis Techniques to Estimate the
Energy Consumption of Embedded Applications
- arxiv url: http://arxiv.org/abs/2305.14968v2
- Date: Thu, 25 May 2023 10:30:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 05:44:32.920671
- Title: EnergyAnalyzer: Using Static WCET Analysis Techniques to Estimate the
Energy Consumption of Embedded Applications
- Title（参考訳）: energyanalyzer: 静的なwcet解析技術を使って組込みアプリケーションのエネルギー消費量を推定する
- Authors: Simon Wegener, Kris K. Nikov, Jose Nunez-Yanez, Kerstin Eder
- Abstract要約: EnergyAnalyzerは、組み込みソフトウェアのエネルギー消費を推定するためのコードレベルの静的解析ツールである。
これは、エネルギー特性が第一級市民である組み込みアプリケーションを開発するためのツールチェーンを提供することを目的とした、TeamPlayと呼ばれるより大きなプロジェクトの一部として開発された。
- 参考スコア（独自算出の注目度）: 0.6144680854063939
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper presents EnergyAnalyzer, a code-level static analysis tool for
estimating the energy consumption of embedded software based on statically
predictable hardware events. The tool utilises techniques usually used for
worst-case execution time (WCET) analysis together with bespoke energy models
developed for two predictable architectures - the ARM Cortex-M0 and the Gaisler
LEON3 - to perform energy usage analysis. EnergyAnalyzer has been applied in
various use cases, such as selecting candidates for an optimised convolutional
neural network, analysing the energy consumption of a camera pill prototype,
and analysing the energy consumption of satellite communications software. The
tool was developed as part of a larger project called TeamPlay, which aimed to
provide a toolchain for developing embedded applications where energy
properties are first-class citizens, allowing the developer to reflect directly
on these properties at the source code level. The analysis capabilities of
EnergyAnalyzer are validated across a large number of benchmarks for the two
target architectures and the results show that the statically estimated energy
consumption has, with a few exceptions, less than 1% difference compared to the
underlying empirical energy models which have been validated on real hardware.
- Abstract（参考訳）: 本稿では,静的予測可能なハードウェアイベントに基づいて,組込みソフトウェアのエネルギー消費を推定するコードレベル静的解析ツールであるEnergyAnalyzerを提案する。
このツールは、2つの予測可能なアーキテクチャ(ARM Cortex-M0 と Gaisler LEON3 )で開発された、最悪の実行時間(WCET)分析に使用される技術を利用する。
エネルギーアナライザーは、最適化畳み込みニューラルネットワークの候補の選択、カメラピルのプロトタイプのエネルギー消費量の分析、衛星通信ソフトウェアのエネルギー消費量の分析など、様々なユースケースに応用されている。
このツールはTeamPlayと呼ばれる大きなプロジェクトの一部として開発され、エネルギー特性が第一級市民である組み込みアプリケーションを開発するためのツールチェーンを提供することを目的としており、開発者はソースコードレベルでこれらのプロパティを直接反映することができる。
EnergyAnalyzerの分析能力は、2つのターゲットアーキテクチャに対して多数のベンチマークで検証され、その結果、静的に見積もられたエネルギー消費は、いくつかの例外を除いて、実際のハードウェア上で検証された経験的エネルギーモデルと比較して1%未満の差があることが示されている。
関連論文リスト
- Usability and Performance Analysis of Embedded Development Environment for On-device Learning [0.0]
本研究は、リソース制約されたIoTデバイス上で、さまざまな抽象化レベルを持つ様々な開発ツールを評価する。
この分析は、モデルトレーニングと推論におけるメモリ使用量、エネルギー消費量、パフォーマンスメトリクスを含む。
論文 参考訳（メタデータ） (2024-03-18T09:26:04Z) - Green AI: A Preliminary Empirical Study on Energy Consumption in DL
Models Across Different Runtime Infrastructures [56.200335252600354]
トレーニング済みのモデルを、ネイティブな開発環境とは異なる環境にデプロイするのは、一般的なプラクティスです。
これにより、インフラを含むONNXや標準フォーマットとして機能するONNXなどの交換フォーマットが導入された。
論文 参考訳（メタデータ） (2024-02-21T09:18:44Z) - Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。
まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。
第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
論文 参考訳（メタデータ） (2023-10-19T23:55:00Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - Precise Energy Consumption Measurements of Heterogeneous Artificial
Intelligence Workloads [0.534434568021034]
本稿では,異なるタイプの計算ノード上でのディープラーニングモデルの典型的な2つの応用のエネルギー消費の測定を行う。
我々のアプローチの1つの利点は、スーパーコンピュータの全ユーザーがエネルギー消費に関する情報を利用できることである。
論文 参考訳（メタデータ） (2022-12-03T21:40:55Z) - Trends in Energy Estimates for Computing in AI/Machine Learning
Accelerators, Supercomputers, and Compute-Intensive Applications [3.2634122554914]
幾何スケーリング法則により駆動される異なるシステムの計算エネルギー要求について検討する。
幾何スケーリングによるエネルギー効率が低下していることを示す。
応用レベルでは、汎用AI-ML手法は計算エネルギー集約化が可能である。
論文 参考訳（メタデータ） (2022-10-12T16:14:33Z) - LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile
Augmented Reality [77.00418462388525]
モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。
我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。
提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
論文 参考訳（メタデータ） (2022-05-27T06:11:50Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z) - Improving IoT Analytics through Selective Edge Execution [0.0]
エッジインフラストラクチャを活用して分析性能を向上させることを提案する。
我々は、IoTデバイスがそれらのルーチンをローカルに実行できるようにするアルゴリズムを考案した。
そして、それらをクラウドレットサーバにアウトソースします。
論文 参考訳（メタデータ） (2020-03-07T15:02:23Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。