嵌入式便携设备电源管理的分析案例

运算密集型的任务时，可以在保证任务完成的实时需求的前提下通过降低总线频率来降低系统功耗； 在执行存取密集型的任务时，可以通过降低处理器的工作频率来降低功耗。

当系统执行多工作量的任务或者同时执行多任务时， 有效的电源管理策略是任务调度和任务截止期（deadline）相结合的电源管理策略。这种电源管理策略的基本思想是： 将任务按使用设备和任务集合分组，罗列所有调度可能，排除约束条件（在截止期内完成）以外的调度，在任务截止期内尽量使同组任务集中执行，从而使系统空闲时间尽可能集中，以实现动态电源管理。应用于该策略的任务调度流程如图 1 所示。

基于任务调度和任务截止期的电源管理策略的调度任务原则是：

① 调度能耗越低，则优先级越高；同组的任务按截止期排序；每组第一个任务的截止期越早， 则该组调度的优先级越高； 每组最后一个任务的截止期越早，则该组调度的优先级越高。

② 对于调度能耗与截止期完全相同的调度，先到达者具有更高的优先级。 ③ 当有外部任务请求使用休眠的设备时，电源管理模块重新安排任务的优先级。

设连续函数 P(s)，如果系统设备运行在速度 s 下，则其消耗的功率为 P。根据基于 CMOS 工艺的设备的立方根（cube 　 root）原理，这是一个严格的凸函数，它传达的信息是，任务进行得越慢，越节省功耗。这是基于任务截止期约束任务完成的电源管理策略的基本出发点。 当前有不少基于任务截止期约束任务完成的电源管理策略，例如简单化的在线策略 AVR[3]（Average Rate）、OA（Optimal Available）和 BKP 策略[4]等就是这类策略的典型。其中： AVR 策略假设系统中只有一个任务在执行；OA 策略假设不会再有新任务进入安排；而 BKP 策略则在 c 比较大时才能够很好地降低功耗。

1.3 Idle 状态下的电源管理方法

系统设备完成任务后，将处于 Idle 状态的系统设备进行状态转换是该状态下电源管理的主要方法。主流策略有 Timeout 策略、基于预测的管理策略和基于随机的管理策略。其中，Timeout 策略最简单易行。该策略流程如图 2 所示。

系统完成所有任务后，处于 Idle 状态的持续时间超过该阈值时，电源管理模块将系统转换至 Sleep 状态，直到有新任务请求到达时再唤醒系统。通过这种方式达到降低系统设备功耗的目的。该时间间隔可由系统提供的计时模块设定，而时间阈值 Tth 的设定由下式确定：

式中： Etran 是已知的系统从 Idle 状态到 Sleep 状态再到唤醒，共两次状态转换所消耗的总能量；PI 是系统处于 Idle 状态所消耗的功率。

图 3 为 Timeout 策略中两种性能的损耗情况。图中，E 为 Running（工作）状态时间，I 为 Idle 状态时间，F 为时间阈值，D 为状态转换时间，S 为休眠状态时间，W 为系统设备唤醒时间。该策略简单，但缺点也很明显。如图 3 所示，

当 I>F+D 时，等待时间阈值的设定容易损失更多的降功机会，同时因为系统状态唤醒转换的耗时耗能，必然引起任务等待延时；甚至当 F+D>I>F 时，延时会大于唤醒耗时，这将造成很大的性能损失；同时任务执行时间的延时，还会直接导致下一个 Idle 状态持续时间的缩短。这样基于对任务完成后 Idle 状态时间和下一个任务来临时间的预测的电源管理策略就显得很有效率。

基于预测的电源管理策略是根据系统信息（包括历史信息和用户习惯等），对系统将要处于 Idle 状态的持续时间 Tpred 进行预测。比较 Tpred 和 Tth，当Tpred≥Tth 时在任务完成后立即将系统转换到休眠状态；否则，继续维持系统Idle 状态。预测时刻和 Idle 状态中的预测间隔由具体策略决定。基于预测的电源管理策略的核心是， 使用何种算法来利用系统反馈信息去更新算法的预测根据。要做出符合系统设备用户使用习惯和任务请求的准确预测，就需要对用户习惯的认识程度不断加深， 并对系统任务信息和策略历史信息有较全面的统计。自适应学习树 ALT（Adaptive Learning Tree）策略、PBAL（Probability 　 Based ALT）策略，以及基于 AR（Auto 　 Regressive）模型的预测控制反馈 PCF（Predictive Control Feedback）预测策略等都是优化过的预测策略。PBALT 策略利用概率反映准确率，加强了分树之间的关联性和 ALT方法的学习能力；但这种策略的边界条件限制制约了它的应用范围。PCF 预测策略的自适应性是通过其反馈模块来控制的； 但预测策略本身在针对非平稳状态的任务请求时效率不稳定，同时，预测策略基本只考虑系统有一个工作模式，这些都限制了它的应用。

基于随机的电源管理策略是一种具有不确定性的优化策略，