Perfil de consumo de energía de una placa de desarrollo ligera: detección con el INA219 y el microcontrolador Teensy 4.0
Autores: Lambert, Jonathan; Monahan, Rosemary; Casey, Kevin
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Perfil de consumo de energía de una placa de desarrollo ligera: detección con el INA219 y el microcontrolador Teensy 4.0
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Avances tecnológicos
Perfiles de consumo de energía
Raspberry Pi4 modelo B
Características de consumo de energía
Subescalado de frecuencia de underclocking
Medición de energía.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
En el corazón de la mayoría de los avances tecnológicos hay una red de procesadores ejecutando código y consumiendo energía. Comprender los perfiles de consumo de energía de esos sistemas proporciona posibilidades de optimización y, por lo tanto, contribuye a las estrategias para reducir el consumo de energía en general. Este documento evalúa las características de consumo de energía de una placa de desarrollo de bajo costo y pequeño factor de forma altamente competitiva (el modelo B Raspberry Pi4), alimentada con la carga mínima asociada con su configuración de metal desnudo y el impacto relacionado en el consumo de energía base. También consideramos la carga asociada con un sistema operativo listo para usar, funcionando a varios niveles de escala de frecuencia de subaceleración y el impacto asociado en el consumo de energía base. Nuestra configuración experimental consiste en integrar un amplificador de corriente de alta parte superior INA219 para la captura de medidas de potencia, corriente y voltaje; y un microcontrolador Teensy 4.0 para muestreo. En general, nuestros resultados indican diferencias estadísticamente significativas en las características de distribución de consumo de energía en general en todos los modelos. Nuestros resultados también indican la presencia de tres envolventes de fase de potencia distintas y diferencias estadísticamente significativas en las medidas de potencia media y mediana entre los diferentes casos de prueba de subaceleración de frecuencia y los casos de metal desnudo. Nuestros resultados también indican que el consumo de energía es una función monótona creciente en los escenarios de prueba. Finalmente, nuestros resultados también han demostrado que aislar las distribuciones compuestas de consumo de energía aumenta la predictibilidad del modelo del 67% al 97%.
Descripción
En el corazón de la mayoría de los avances tecnológicos hay una red de procesadores ejecutando código y consumiendo energía. Comprender los perfiles de consumo de energía de esos sistemas proporciona posibilidades de optimización y, por lo tanto, contribuye a las estrategias para reducir el consumo de energía en general. Este documento evalúa las características de consumo de energía de una placa de desarrollo de bajo costo y pequeño factor de forma altamente competitiva (el modelo B Raspberry Pi4), alimentada con la carga mínima asociada con su configuración de metal desnudo y el impacto relacionado en el consumo de energía base. También consideramos la carga asociada con un sistema operativo listo para usar, funcionando a varios niveles de escala de frecuencia de subaceleración y el impacto asociado en el consumo de energía base. Nuestra configuración experimental consiste en integrar un amplificador de corriente de alta parte superior INA219 para la captura de medidas de potencia, corriente y voltaje; y un microcontrolador Teensy 4.0 para muestreo. En general, nuestros resultados indican diferencias estadísticamente significativas en las características de distribución de consumo de energía en general en todos los modelos. Nuestros resultados también indican la presencia de tres envolventes de fase de potencia distintas y diferencias estadísticamente significativas en las medidas de potencia media y mediana entre los diferentes casos de prueba de subaceleración de frecuencia y los casos de metal desnudo. Nuestros resultados también indican que el consumo de energía es una función monótona creciente en los escenarios de prueba. Finalmente, nuestros resultados también han demostrado que aislar las distribuciones compuestas de consumo de energía aumenta la predictibilidad del modelo del 67% al 97%.