CN111240454B - 一种基于risc-v的功耗动态调整***及方法 - Google Patents
一种基于risc-v的功耗动态调整***及方法 Download PDFInfo
- Publication number
- CN111240454B CN111240454B CN202010059321.4A CN202010059321A CN111240454B CN 111240454 B CN111240454 B CN 111240454B CN 202010059321 A CN202010059321 A CN 202010059321A CN 111240454 B CN111240454 B CN 111240454B
- Authority
- CN
- China
- Prior art keywords
- module
- risc
- neural network
- monitoring
- controllable component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 230000002490 cerebral effect Effects 0.000 description 5
- 206010034567 Peripheral circulatory failure Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3296—Power saving characterised by the action undertaken by lowering the supply or operating voltage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Sources (AREA)
Abstract
本发明提供一种基于RISC‑V的功耗动态调整***及方法,所述***包括RISC‑V芯片和软件***,所述的软件***包括运行在RISC‑V芯片之上的操作***和运行在操作***之上的应用软件;所述的RISC‑V芯片包括电源管理子***和可控制部件;所述的电源管理子***包括监测设置模块、逻辑控制模块和优化模块;所述的动态调整***还包括钩子程序模块,所述的钩子程序模块,用于实时监测操作***运行的应用软件的进程状态,并生成电源管理子***内部的优化模块的规范输入;所述的逻辑控制模块,用于根据获得的监测设置模块的信息和优化模块输出的信息进行逻辑运算输出控制信号控制可控部件电源的开关。
Description
技术领域
本发明涉及芯片低功耗技术领域,具体涉及一种基于RISC-V的功耗动态调整***及方法。
背景技术
人们对手持设备提出了多样的要求:除了要求提供数据通信功能以外,还需要更丰富的游戏、拍照等娱乐应用。这就要求手持设备在满足必要的实时性前提下,提供更强大的计算力与更大容量的存储能力;对于有这种需求的手持设备一般都带有电池并通过它向整个设备供电。满足高性能计算力的代价是更高的能量消耗,这就带来了设备使用时间的下降。大量分析证明,手持设备处于空闲的时间占整个***运行时间的绝大部分。电源管理就是为了减少***在空闲时间的能量消耗,使手持设备***的能量供给效率最大化,从而延长整个***的使用时间。
现有的低功耗技术,把***中暂时不再使用的外设关闭或者进入低功耗模式;当满足某一条件时,关闭对应的外设电源,实现低功耗管理。采用传统的外设关闭技术,调节粒度较大,无法根据***整体运行情况进行细粒度调节。目前通过电源管理的外设关闭技术,无法根据用户使用习惯进行调节优化,低功耗模式比较固定。
发明内容
针对采用传统的外设关闭技术,调节粒度较大,无法根据***整体运行情况进行细粒度调节,通过电源管理的外设关闭技术,无法根据用户使用习惯进行调节优化,低功耗模式比较固定的问题,本发明提供一种基于RISC-V的功耗动态调整***及方法。
本发明的技术方案是:
一方面,本发明技术方案提供一种基于RISC-V的功耗动态调整***,包括RISC-V芯片和软件***,所述的软件***包括运行在RISC-V芯片之上的操作***和运行在操作***之上的应用软件;所述的RISC-V芯片包括电源管理子***和可控制部件;
所述的电源管理子***包括监测设置模块、逻辑控制模块和优化模块;
所述的动态调整***还包括钩子程序模块,所述的钩子程序模块,用于实时监测操作***运行的应用软件的进程状态,并生成电源管理子***内部的优化模块的规范输入;
所述的优化模块,用于对接收的输入信息进行优化处理输出信息到逻辑控制模块;
所述的监测设置模块,用于监测可控制部件的使用情况并将监测的情况进行分类设置输出信息到逻辑控制模块;
所述的逻辑控制模块,用于根据获得的监测设置模块的信息和优化模块输出的信息进行逻辑运算输出控制信号控制可控部件电源的开关。
优选地,所述的优化模块为神经网络。引入神经网络,可以动态学习用户使用习惯,动态进行电源管理。
优选地,所述的监测设置模块,用于监测可控制部件的使用情况,若可控部件在设定的时间阈值内没有被使用,监测设置模块将可控部件对应的被访问信号关闭并将被访问信号置0,否则,监测设置模块将可控部件对应的被访问信号打开并将被访问信号置1。
优选地,所述的逻辑控制模块包括逻辑或单元,所述的逻辑或单元的两个输入端分别连接监测设置模块输出的被访问信号和神经网络的输出信号;所述的逻辑或单元的输出端连接可控部件控制可控部件电源的开关。
优选地,所述的逻辑控制模块还包括运算处理单元;
运算处理单元,用于当监测设置模块将被访问信号关闭的信号输入逻辑或单元一个输入端同时神经网络输出的控制开启信号输入逻辑或单元的另一个输入端时,根据得到的被访问信号与神经网络的输出进行差值运算,修改权值,并将修改后的权值加载到神经网络。
优选地,所述的电源管理子***还包括策略权值存储模块,所述的策略权值存储模块,用于存储神经网络运行所需要的权值;
运算处理单元,还用于将修改权值存储到策略权值存储模块。
优选地,所述的钩子程序模块包括进程信息获取单元和信息转化单元;
进程信息获取单元,用于实时监测操作***运行的应用软件的程序状态获取进程信息;
信息转化单元,用于将获取的进行信息进行计算转化为电源管理单元内部优化模块的规范输入。
使用通用神经网络进行电源管理,采集神经网络的输入及规范化以及输出控制信号控制可控部件的电源开关。
另一方面,本发明技术方案提供一种基于RISC-V的功耗动态调整方法,该方法应用于基于RISC-V的功耗动态调整***,包括如下步骤:
监测***运行的应用软件的进程状态并生成电源管理子***内部神经网络所需要的输入并输入到神经网络;
监测可控制部件的使用情况并进行分类设置输出设置信息;
获取设置信息和神经网络的输出信息进行逻辑运算输出控制信号控制可控部件电源的开关。
优选地,所述的监测可控制部件的使用情况并进行分类设置输出设置信息的步骤具体包括:
监测可控制部件的使用情况,若可控部件在设定的时间阈值内没有被使用,将可控制部件对应的被访问信号关闭并将被访问信号置0,否则,将可控制部件对应的被访问信号打开并将被访问信号置1。
优选地,该方法还包括:
若逻辑控制模块的两个输入端输入信号不同,其中,被访问信号置0,神经网络的输出为1时,根据得到的被访问信号与神经网络的输出进行差值运算,修改权值并将修改后的权值加载到神经网络,跳转到步骤:监测***运行的应用软件的进程状态并生成电源管理子***内部神经网络所需要的输入并输入到神经网络。
从以上技术方案可以看出,本发明具有以下优点:本发明解决了在基于RISC-V芯片的手持设备中,在低功耗领域,无法根据***整体运行情况进行细粒度调节的问题;本发明还解决了电源管理的外设关闭技术中无法根据用户使用习惯进行调节优化,低功耗模式比较固定的问题。通过引入神经网络算法,可以动态学习用户使用习惯,动态进行电源管理。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的RISC-V芯片连接框图。
图2是本发明软件***示意图。
图3是本发明小脑神经网络的逻辑示意图。
图4是逻辑控制模块连接示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
如图1、2所示,本发明技术方案提供一种基于RISC-V的功耗动态调整***,包括RISC-V芯片和软件***,所述的软件***包括运行在RISC-V芯片之上的操作***和运行在操作***之上的应用软件;所述的RISC-V芯片包括电源管理子***和可控制部件;
所述的电源管理子***包括监测设置模块、逻辑控制模块和优化模块;
所述的动态调整***还包括钩子程序模块,所述的钩子程序模块,用于实时监测操作***运行的应用软件的进程状态,并生成电源管理子***内部的优化模块的规范输入;
所述的优化模块,用于对接收的输入信息进行优化处理输出信息到逻辑控制模块;
所述的监测设置模块,用于监测可控制部件的使用情况并将监测的情况进行分类设置输出信息到逻辑控制模块;
所述的逻辑控制模块,用于根据获得的监测设置模块的信息和优化模块输出的信息进行逻辑运算输出控制信号控制可控部件电源的开关。
需要说明的是,本领域技术人员知道,RISC-V芯片指的是以RISC-V为指令集的芯片,当然包括RISC-V处理器,指的是基于RISC-V指令的处理器,负责程序指令的执行,控制各个部件的运行,在这里所述的部件为不需要能耗进行动态调节的部件,所述的可控制部件是指需要动态调节功耗的部件,所以,可控制部件与电源管理子***连接,通过电源管理子***进行动态的能耗调节。在这里,可控制部件可以是比如显示控制器、声音控制器等控制器;所述的优化模块为小脑神经网络。如图3所,小脑神经网络示一个输入层,俩个中间层,一个输出层,层间采用全互联;引入神经网络,可以动态学习用户使用习惯,动态进行电源管理。
实施例二
本发明技术方案提供一种基于RISC-V的功耗动态调整***,与实施一的不同之处包括:所述的钩子程序模块包括进程信息获取单元和信息转化单元;进程信息获取单元,用于实时监测操作***运行的应用软件的程序状态获取进程信息;信息转化单元,用于将获取的进行信息进行计算转化为电源管理单元内部优化模块的规范输入。
本实施例中,钩子程序模块实时监测操作***运行的应用软件的进程,在这里,操作***为Linux操作***,获取进程信息,包括命令、状态、持续时间等。计算主进程信息转化为电源管理子***内的神经网络的规范输入,并明确进程对应输入向量编号,转换公式:INPUT[index]={STAT,TIME,CMD5}
其中,1<=TIME<=61,按照1分钟累加计算得到,不足一分钟置1,超过60分钟为61;0<=STAT<=4,指的是进程的状态;CMD5指的是根据命令名称计算得到的MD5值。本发明INPUT位宽139(8+3+128)位,index按照命令首字母排序,index取值范围0-26,数字开头程序统一归为编号为26。
所述的监测设置模块,用于监测可控制部件的使用情况,若可控部件在设定的时间阈值内没有被使用,监测设置模块可控部件对应的将被访问信号关闭并将被访问信号置0,否则,监测设置模块将可控部件对应的被访问信号打开并将被访问信号置1。
如图4所示,所述的逻辑控制模块包括逻辑或单元,所述的逻辑或单元的两个输入端分别连接监测设置模块输出的被访问信号和神经网络的输出信号;所述的逻辑或单元的输出端连接可控部件控制可控部件电源的开关。
所述的逻辑控制模块还包括运算处理单元;
运算处理单元,用于当监测设置模块将被访问信号关闭的信号输入逻辑或单元一个输入端同时神经网络输出的控制开启信号输入逻辑或单元的另一个输入端时,根据得到的被访问信号与神经网络的输出进行差值运算,修改权值,并将修改后的权值加载到神经网络。
电源管理子***的输出,即控制各个可控制部件的信号的输出。需要注意的是,电源管理子***的输出由两个因素决定,分别是可控制部件是否在设置的时间阈值内被访问和小脑神经网络输出。在这里,设定时间阈值为一分钟;本实施例中,暂定输出位宽为6,对应六个可控制部件,每个位控制可控制部件的电源开关。
所述的电源管理子***还包括策略权值存储模块,所述的策略权值存储模块,用于存储神经网络运行所需要的权值;运算处理单元,还用于将修改权值存储到策略权值存储模块。使用通用神经网络进行电源管理,采集神经网络的输入及规范化以及输出控制信号控制可控部件的电源开关。
实施例三
本发明技术方案提供一种基于RISC-V的功耗动态调整方法,该方法应用于基于RISC-V的功耗动态调整***,***上电,读取存储的权值加载到小脑神经网络,该方法包括如下步骤:
步骤1:监测***运行的应用软件的进程状态并生成电源管理子***内部神经网络所需要的输入并输入到神经网络;
步骤2:监测可控制部件的使用情况并进行分类设置输出设置信息;本实施例中,监测设置模块监测可控制部件的使用情况,若可控部件在设定的时间阈值(1分钟)内没有被使用,监测设置模块将被访问信号关闭并将被访问信号置0,否则,监测设置模块将被访问信号打开并将被访问信号置1;
步骤3:获取设置信息和神经网络的输出信息进行逻辑运算输出控制信号控制可控部件电源的开关。
还包括步骤4:若逻辑控制模块的两个输入端输入信号不同,其中,监测设置模块输出被访问信号置0,神经网络的输出为1时,逻辑控制模块根据得到的被访问信号与神经网络的输出进行差值运算,修改权值并将修改后的权值加载到神经网络,跳转到步骤1。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于RISC-V的功耗动态调整***,包括RISC-V芯片和软件***,所述的软件***包括运行在RISC-V芯片之上的操作***和运行在操作***之上的应用软件;其特征在于,所述的RISC-V芯片包括电源管理子***和可控制部件;
所述的动态调整***还包括钩子程序模块,所述的钩子程序模块,用于实时监测操作***运行的应用软件的进程状态,并生成电源管理子***内部的优化模块的规范输入;
所述的电源管理子***包括监测设置模块、逻辑控制模块和优化模块;
所述的优化模块,用于对接收的输入信息进行优化处理输出信息到逻辑控制模块;
所述的监测设置模块,用于监测可控制部件的使用情况并将监测的情况进行分类设置输出信息到逻辑控制模块;
所述的逻辑控制模块,用于根据获得的监测设置模块的信息和优化模块输出的信息进行逻辑运算输出控制信号控制可控部件电源的开关;
逻辑控制模块包括逻辑或单元和运算处理单元;
逻辑或单元的两个输入端分别连接监测设置模块输出的被访问信号和神经网络的输出信号;逻辑或单元的输出端连接可控部件控制可控部件电源的开关;
运算处理单元,用于当监测设置模块将被访问信号关闭的信号输入逻辑或单元一个输入端同时神经网络输出的控制开启信号输入逻辑或单元的另一个输入端时,根据得到的被访问信号与神经网络的输出进行差值运算,修改权值,并将修改后的权值加载到神经网络。
2.根据权利要求1所述的一种基于RISC-V的功耗动态调整***,其特征在于,所述的优化模块为神经网络。
3.根据权利要求2所述的一种基于RISC-V的功耗动态调整***,其特征在于,所述的监测设置模块,用于监测可控制部件的使用情况,若可控部件在设定的时间阈值内没有被使用,监测设置模块将可控部件对应的被访问信号关闭并将被访问信号置0,否则,监测设置模块将可控部件对应的被访问信号打开并将被访问信号置1。
4.根据权利要求3所述的一种基于RISC-V的功耗动态调整***,其特征在于,所述的电源管理子***还包括策略权值存储模块,所述的策略权值存储模块,用于存储神经网络运行所需要的权值;
运算处理单元,还用于将修改权值存储到策略权值存储模块。
5.根据权利要求1所述的一种基于RISC-V的功耗动态调整***,其特征在于,所述的钩子程序模块包括进程信息获取单元和信息转化单元;
进程信息获取单元,用于实时监测操作***运行的应用软件的程序状态获取进程信息;
信息转化单元,用于将获取的进行信息进行计算转化为电源管理单元内部优化模块的规范输入。
6.一种基于RISC-V的功耗动态调整方法,该方法应用于基于RISC-V的功耗动态调整***,其特征在于,包括如下步骤:
监测***运行的应用软件的进程状态并生成电源管理子***内部神经网络所需要的输入并输入到神经网络;
监测可控制部件的使用情况并进行分类设置输出设置信息;
获取设置信息和神经网络的输出信息进行逻辑运算输出控制信号控制可控部件电源的开关。
7.根据权利要求6所述的一种基于RISC-V的功耗动态调整方法,其特征在于,所述的监测可控制部件的使用情况并进行分类设置输出设置信息的步骤具体包括:
监测可控制部件的使用情况,若可控部件在设定的时间阈值内没有被使用,将可控制部件对应的被访问信号关闭并将被访问信号置0,否则,将可控制部件对应的被访问信号打开并将被访问信号置1。
8.根据权利要求7所述的一种基于RISC-V的功耗动态调整方法,其特征在于,该方法还包括:
若逻辑控制模块的两个输入端输入信号不同,其中,被访问信号置0,神经网络的输出为1时,根据得到的被访问信号与神经网络的输出进行差值运算,修改权值并将修改后的权值加载到神经网络,跳转到步骤:监测***运行的应用软件的进程状态并生成电源管理子***内部神经网络所需要的输入并输入到神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059321.4A CN111240454B (zh) | 2020-01-18 | 2020-01-18 | 一种基于risc-v的功耗动态调整***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059321.4A CN111240454B (zh) | 2020-01-18 | 2020-01-18 | 一种基于risc-v的功耗动态调整***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111240454A CN111240454A (zh) | 2020-06-05 |
CN111240454B true CN111240454B (zh) | 2021-10-22 |
Family
ID=70876271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059321.4A Active CN111240454B (zh) | 2020-01-18 | 2020-01-18 | 一种基于risc-v的功耗动态调整***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111240454B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535508B (zh) * | 2021-06-05 | 2022-03-18 | 复旦大学 | 一种面向risc-v众核处理器的功耗监测电路 |
CN113360445B (zh) * | 2021-07-07 | 2022-11-04 | 上海万向区块链股份公司 | 基于区块链技术的锂离子电池数据采集共享装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW548534B (en) * | 2001-04-12 | 2003-08-21 | Via Tech Inc | Control method for frequency raising and reducing of central processing unit using neural network |
CN103092316A (zh) * | 2013-01-22 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种基于数据挖掘的服务器功耗管理*** |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
CN107817890A (zh) * | 2017-10-31 | 2018-03-20 | 郑州云海信息技术有限公司 | 一种基于bp算法的高密度机柜负载联动能效管理设计方法 |
CN109324902A (zh) * | 2018-09-21 | 2019-02-12 | 深圳市中科明望通信软件有限公司 | 一种调整移动终端工作频率的方法、移动终端及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213475B (zh) * | 2011-03-22 | 2013-11-06 | 曙光信息产业(北京)有限公司 | 一种数据中心功耗自适应管理方法 |
US11216720B2 (en) * | 2015-10-08 | 2022-01-04 | Shanghai Zhaoxin Semiconductor Co., Ltd. | Neural network unit that manages power consumption based on memory accesses per period |
CN110427169B (zh) * | 2019-07-12 | 2021-07-02 | 东南大学 | 一种面向人工神经网络的三层结构可配置近似位宽加法器 |
CN110659732B (zh) * | 2019-09-20 | 2023-07-04 | 上海新储集成电路有限公司 | 一种智能调节神经网络模型的方法 |
-
2020
- 2020-01-18 CN CN202010059321.4A patent/CN111240454B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW548534B (en) * | 2001-04-12 | 2003-08-21 | Via Tech Inc | Control method for frequency raising and reducing of central processing unit using neural network |
CN103092316A (zh) * | 2013-01-22 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种基于数据挖掘的服务器功耗管理*** |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
CN107817890A (zh) * | 2017-10-31 | 2018-03-20 | 郑州云海信息技术有限公司 | 一种基于bp算法的高密度机柜负载联动能效管理设计方法 |
CN109324902A (zh) * | 2018-09-21 | 2019-02-12 | 深圳市中科明望通信软件有限公司 | 一种调整移动终端工作频率的方法、移动终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111240454A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8739165B2 (en) | Shared resource based thread scheduling with affinity and/or selectable criteria | |
US8084994B2 (en) | System to extend the service life of portable devices | |
CN102622273B (zh) | 基于自学习负载预测的集群按需启动方法 | |
TWI475369B (zh) | 用於處理器中功率及性能權衡的設備、方法及系統 | |
CN111240454B (zh) | 一种基于risc-v的功耗动态调整***及方法 | |
US20080184042A1 (en) | I/o co-processor coupled hybrid computing device | |
EP3256929A1 (en) | Performing power management in a multicore processor | |
CN106991030B (zh) | 一种基于在线学习的***功耗优化的轻量级方法 | |
CN105359057A (zh) | 设置计算机参数使得电源工作在基于电源的功率效率峰值的范围内 | |
Ma et al. | Spendthrift: Machine learning based resource and frequency scaling for ambient energy harvesting nonvolatile processors | |
CN107111553A (zh) | 用于在多集群异构处理器架构中提供动态高速缓存扩展的***和方法 | |
CN104750228B (zh) | 一种降低多核处理器功耗的方法及装置 | |
Samie et al. | Fast operation mode selection for highly efficient iot edge devices | |
CN110320813A (zh) | 基于物联网操作***的智能家电控制方法及装置 | |
CN108845659B (zh) | 一种功耗优先的嵌入式处理器实时任务分配方法 | |
CN117114137A (zh) | 一种自行闭环优化的嵌入式算法模型*** | |
Zhang et al. | An energy-efficient scheduling algorithm for sporadic real-time tasks in multiprocessor systems | |
CN107315635A (zh) | 手持设备和该手持设备的资源量的调整方法 | |
CN117130769A (zh) | 一种调频方法、频率调节神经网络的训练方法及电子设备 | |
CN114217688B (zh) | 一种基于神经网络结构的npu功耗优化***和方法 | |
CN105933702A (zh) | 一种基于任务敏感的功耗控制方法 | |
CN109765986A (zh) | 省电模式控制方法、终端设备及计算机可读存储介质 | |
CN1196999C (zh) | 使用于手提式电脑的自动省电模式控制*** | |
CN114676632A (zh) | 一种电力专用芯片能耗预测方法、装置和计算机设备 | |
CN115347651B (zh) | 基于检测设备的储能方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |