《Sustainable Computing: Informatics and Systems》：A Comprehensive Study on CPU Power Consumption Estimation Using Advanced Predictive Modeling Techniques for Optimized Resource Allocation and Performance Management
编辑推荐：
•机器学习模型能够捕捉复杂的系统行为，以提高CPU功耗预测的准确性。•HGBR单独使用或与元启发式优化器结合使用，可以提高预测性能。•开发了混合模型HGPO、HGMP和HGOA用于CPU功耗估计。•HGPO在所有评估阶段的平均均方根误差（RMSE）为8184，决定系数（R2）为0
- •
机器学习模型能够捕捉复杂的系统行为，以提高CPU功耗预测的准确性。
- •
HGBR单独使用或与元启发式优化器结合使用，可以提高预测性能。
- •
开发了混合模型HGPO、HGMP和HGOA用于CPU功耗估计。
- •
HGPO在所有评估阶段的平均均方根误差（RMSE）为8184，决定系数（R2）为0.9905，表现出最高的准确性。
- •
HGPO的误差分布稳定且接近零，使其成为最可靠的预测模型。
引言
CPU是系统的心脏，其他所有组件的运行都依赖于它。它的主要功能是执行指令并控制整个系统。作为系统性能的核心，CPU在很大程度上决定了系统的性能，几乎影响着所有类型的工作。CPU的效率主要由基本设计特性决定，如时钟速度、核心数量和缓存利用率，这些因素决定了计算机能够处理的性能水平——从基本任务到最耗能的应用程序[1]，[2]。大多数情况下，提高CPU性能意味着需要更多的电能，因为复杂的计算需要更多的电力供应，同时产生的热量也会增加[3]。为了解决这个问题，现代处理器采用了节能方法，如动态电压和频率缩放（DVFS），可以根据情况调整输出和功耗。尽管采用了这些技术，CPU的性能与其电力使用之间的相关性仍然非常非线性且复杂，取决于许多因素，如工作负载类型、热条件和系统架构[4]，[5]。
理解并建模这种关系是关键，这有助于设计出更优的系统，节约能源并稳定温度[6]，[7]。因此，机器学习技术被认为是评估和预测计算机处理器功耗最有效的方法。在实际应用中，这些模型可以根据当前的系统性能指标预测几乎所有的能耗，从而实现更好的资源利用和系统优化，以实现节能和高性能计算[8]。此外，由于机器学习能够提供灵活的、基于数据的解决方案，并且随着新数据的增加而不断改进，它几乎克服了传统分析模型的缺点[9]，[10]。许多近期研究工作探讨了不同的机器学习技术，包括集成方法和混合优化，以准确模拟现代计算系统的功耗和性能权衡[11]，[12]。
Kumar等人开发了一种基于机器学习的微架构级功耗建模方法，通过分析细粒度硬件数据来准确预测CPU的功耗。他们的方法通过提供关于CPU在微架构级别上的功耗行为的详细见解，增强了功耗管理策略[11]。此外，Alavani及其同事提出了一种基于程序分析和机器学习的方法来预测CUDA内核的功耗[13]，这种方法提高了GPU加速应用程序中功耗预测的准确性。他们的方法可以在内核实际运行之前预测其能耗，从而帮助在高峰时段调度使用更强大的硬件，而不增加总能耗[14]。在另一篇论文中，Garcia等人研究了CPU频率缩放对功耗的影响。他们研究了如何通过调整CPU频率来节省能源，并表明通过正确的频率缩放可以减少数据中心和大型计算系统的总能耗[15]。Panchal研究了移动CPU的功耗控制预测模型的实现[16]，使系统能够即时调整CPU的性能和功耗。该解决方案的目标是在不影响移动计算场景中设备顺畅运行的情况下更好地利用能源[17]。Karantoumanis和Ploskas采用机器学习技术预测数据中心的功耗，重点关注能效和资源管理。通过使用实时数据，他们能够创建非常精确的预测模型，从而更有效地规划和运营基础设施，同时降低大规模计算系统的功耗和环境影响[12]。Zorello研究了将机器学习应用于网络功能虚拟化（NFV）应用中的动态CPU频率缩放[18]。这项工作专注于根据工作负载条件选择适当的CPU频率，以实现服务质量和功耗之间的平衡。这种自我调节的方法不仅减少了功耗，还在虚拟化网络设置中保持了性能[19]。最后，Pagani等人全面研究了如何将机器学习技术应用于多核处理器的功耗、能源和热管理。论文指出，传统的固定热模型和静态工作负载数据方法正在被基于机器学习的方法取代，这些方法在现代处理器中提供了更高的性能和更大的灵活性[20]。
虽然许多研究工作都集中在如何利用机器学习来预测CPU功耗上，但本文提出了一种基于机器学习的数据驱动方法，使用系统性能变量（如CPU利用率、时钟速度、温度、缓存未命中率和磁盘读/写速度）来估计CPU功耗。除了单独使用HGBR模型外，该研究还采用了将HGBR与元启发式优化算法结合的混合方法，包括运动编码粒子群优化（MPSO）、政治优化器（PO）和鱼鹰优化算法（OA）。主要目的是探索这些建模和优化技术如何捕捉系统性能指标与功耗之间的关系，最终支持开发更高效的能量和资源管理策略。
虽然混合机器学习和元启发式模型已在预测操作中得到广泛应用，但它们在利用硬件级别性能指标估计CPU功耗方面的系统应用仍然相对较少。本研究不仅简单地将HGBR与优化算法结合，还开发了一个可比较和可解释的框架，研究了不同元启发式优化器（MPSO、OA和PO）对预测准确性、收敛性、稳定性和灵敏度的影响。选择HGBR作为基准模型，并通过超参数调整进行优化，同时使用K折交叉验证、训练-验证-测试比较、收敛性分析、误差分布、统计预测行为和基于FAST的灵敏度分析全面评估了模型性能。结果为优化在提高预测性能和鲁棒性方面的作用提供了新的见解，确定HGPO模型是CPU功耗估计最可靠的方法，也是计算系统中能源意识和资源分配及性能管理的有前景的工具。
章节片段
基于直方图的梯度提升回归（HGBR）
使用HGBR是将机器学习应用于回归问题最快和最有效的方法之一。这种方法不同于传统的梯度提升方法，因为它将连续特征值转换为固定大小的区间，通常为256个区间，这有助于算法占用更少的内存并更快地运行。由于在训练过程中检查的候选分割点较少，这种分箱方法使算法以更高效的方式构建决策树。
K折交叉验证的结果
在机器学习中，K折交叉验证常被用作测试和衡量模型泛化能力和性能的方法之一。该过程将数据集分为K个相等的部分。之后，使用K-1个部分来训练模型，而剩余的部分用于测试；在K次重复操作中，每个部分也都会被用作测试集。通过平均这些结果，可以获得更准确的模型性能估计
限制和泛化能力
尽管所提出的混合模型在考虑的数据集上显示出高预测准确性，但评估是使用一个公开可用的CPU性能数据集进行的。因此，这项研究的结果必须根据特定的硬件、软件执行特性和底层数据集中的测量属性来理解。有很多不同的平台依赖因素会极大地影响CPU功耗
结论
CPU功耗在整体系统效率中起着关键作用，因为它反映了计算工作所需的能量水平，并影响性能和温度管理。在这项工作中，采用了最先进的机器学习方法来探讨CPU功耗与多种系统级性能指标之间的联系。基于直方图的梯度提升回归器（HGBR）被用作主要的预测模型，因为它具有坚实的基准
邵文珠
