评估异构移动设备上能感知式联邦学习功率建模的方法论
分布式、并行与集群计算
2026-05-28 v1 机器学习
性能
摘要
估计异构 ARM 基准设备的 CPU 能耗具有挑战性，因为缺乏对 CPU 电压域的访问权限。因此，当前先进的能感知式联邦学习 (FL) 框架通常依赖简化的近似功率模型来估计计算能耗，而非更精确的分析 CMOS 基模型。为弥合此差距，我们提出一种结合铁路到簇映射技术检索簇级供电电压的可复现 CPU 能耗估计方法论。我们在两种商品 Android 设备上进行评估，表明分析模型对 CPU 功耗的预测误差小于 10%，而近似模型误差可达 959%。使用 AnycostFL，这一领先的能感知式 FL 框架，我们证明分析模型在 achieving 80% 模型精度的同时，能耗为近似模型的 1.4 倍。这些结果凸显近似模型可能严重低估计算能耗，导致次优决策。本工作促进了在无需额外硬件支持或外部功率测量工具的情况下，在异构多簇 ARM 基移动 SoC 上使用分析 CPU 功率模型。
引用
@article{arxiv.2605.27601,
title = {A Methodology to Assess Power Modeling in Energy-Aware Federated Learning on Heterogeneous Mobile Devices},
author = {Chaimae Jallouli and Karim Boubouh and Robert Basmadjian},
journal= {arXiv preprint arXiv:2605.27601},
year = {2026}
}
备注
19 pages, 3 figures, 7 tables, Accepted for publication in the proceedings of Networked Systems (NETYS 2026), Springer Nature