Statistical models for the optimization of energy consumption in cyber-physical systems

Modèles statistiques pour l'optimisation de la consommation d'énergie des systèmes embarqués communicants Ce travail explore les concepts de CPS, MBPTA, EVT et DVFS, en se concentrant sur leur application aux systèmes en temps réel et à l'efficacité énergétique. Chacun de ces domaines est vaste et nécessite une étude approfondie. Même avec une expertise dans un domaine, il reste difficile de maîtriser les autres. Cette thèse vise à lier ces domaines, en examinant particulièrement les méthodes probabilistes pour estimer les pires cas d'exécution et de consommation d'énergie dans les systèmes en temps réel. Lors d'un stage chez StatInf en 2020, la recherche s'est concentrée sur l'apprentissage des systèmes en temps réel et de l'EVT, en particulier sur son application au MBPTA pour estimer le pire cas probabiliste d'exécution (pWCET). Cela impliquait une revue des estimateurs EVT existants, le développement de nouveaux estimateurs bayésiens et d'apprentissage automatique, et l'amélioration de l'estimateur basé sur les moments L (LM). Diverses approches, notamment l'algorithme ABC et la recherche systématique, ont été explorées pour améliorer la précision du pWCET. L'application de l'EVT à des données réelles a présenté des défis, notamment la présence de données non i.i.d. et d'outliers, auxquels l'EVT est sensible. Pour y remédier, des techniques de segmentation ont été développées pour mieux traiter les séries temporelles, telles que le temps d'exécution ou la consommation d'énergie. Les premiers travaux ont utilisé le test KS à deux échantillons avec des fenêtres glissantes, puis se sont étendus aux tests de Kuiper et du Chi-deux. Pour les grands ensembles de données, la procédure Cuts-and-Merges a été mise en œuvre pour garantir l'efficacité computationnelle tout en traitant les comportements périodiques dans les contextes d'exécution. Fin 2020, l'accent s'est déplacé vers les CPS et la réduction d'énergie, tout en poursuivant l'estimation fiable du pWCET pour les systèmes en temps réel. Des collaborations avec l'UFBA ont permis d'explorer des aspects plus profonds de l'EVT, tels que ses propriétés de convergence, afin de mieux comprendre les risques potentiels de l'application de l'EVT au MBPTA. Un algorithme de détection des outliers basé sur l'EVT a été développé en parallèle, améliorant ainsi la robustesse de l'estimation du pWCET. La recherche s'est ensuite concentrée sur l'optimisation de la consommation d'énergie dans le pire des cas probabiliste (pWCEC), en utilisant le DVFS comme principale technique de réduction d'énergie. Un modèle statistique a été conçu pour minimiser le pWCEC tout en respectant les contraintes du pWCET. Cela impliquait l'exploration de divers scénarios d'exécution basés sur les fréquences du CPU et de la SDRAM, afin de trouver l'équilibre entre réduction d'énergie et respect des contraintes de temps. Le modèle a intégré des variables définies ou collectées lors de l'exécution, dans le but de minimiser le comportement énergétique tout en maintenant les garanties de temps. L'optimisation était encadrée comme une comparaison entre différentes distributions de consommation d'énergie dans divers contextes d'exécution. L'hypothèse principale était que des caractéristiques stables impliquent une consommation stable, mais cela échoue si les caractéristiques varient entre les contextes. Les résultats incluent des estimations du pWCEC pour plusieurs benchmarks dans un cadre de planification à priorité fixe, avec ou sans changement de scénario. Les résultats d'optimisation ont été présentés pour cinq benchmarks, explorant diverses fréquences de CPU et de SDRAM, allant au-delà du simple focus sur le CPU. Le travail a également comparé les méthodes probabilistes avec les techniques d'analyse statique, en utilisant les mêmes benchmarks pour une évaluation équitable. Cette thèse fournit une base pour de futures recherches visant à améliorer l'estimation du pWCEC et à explorer des méthodes avancées de changement de scénario.