1.背景
在当今数字化时代，移动设备的普及和边缘计算的兴起正在重塑我们的生活和工作方式。智能手机、平板电脑和物联网设备的广泛应用，使得用户对设备性能和响应速度的要求日益提高。同时，随着5G网络的推广，边缘计算成为解决延迟和带宽瓶颈的重要技术。边缘计算将数据处理从云端转移到离用户更近的网络边缘，能够显著提高数据处理效率和用户体验。然而，这一趋势也带来了新的挑战。移动设备在资源有限的环境中运行，如何高效管理和优化CPU/GPU资源，以实现最佳性能与能效的平衡，成为了亟待解决的问题。传统的资源管理策略往往无法适应复杂多变的使用场景，尤其是在高负载或多任务并行处理时，设备的性能和电池续航受到严重影响。因此，结合先进的技术手段，如人工智能和强化学习，探索智能化的资源管理方案，显得尤为重要。
2.研究模块说明
2.1 性能瓶颈分析框架
为了深入了解移动设备在不同工作负载下的性能瓶颈，我们提出了一种全链路插桩的性能瓶颈分析框架。该框架通过在系统的各个层级进行插桩，追踪各组件之间的依赖关系，形成一张详尽的依赖图。这一图谱能够清晰地展示系统中各个模块之间的交互和数据流动，从而帮助我们确定瓶颈路径。通过分析依赖图，我们能够识别出性能瓶颈的具体位置，包括硬件资源、软件算法以及数据传输等环节。该过程不仅能够有效定位问题所在，还能提供针对性的优化建议。例如，通过识别出特定函数或模块的执行时间过长，开发者可以针对性地进行代码优化或资源重分配，从而提升整个系统的性能。此框架的实施将为性能优化提供科学依据，并帮助开发团队在设计和实现阶段就能考虑到可能的瓶颈，从而提高最终产品的质量。
2.2异构硬件联合调频优化
为了实现性能与能效的动态平衡，我们开发了一种基于强化学习的CPU/GPU调频算法。通过对设备运行状态（如各CPU和GPU的频率、利用率、内存占用和帧率）的全面采集和分析，该算法能够预测设备的运行需求并实时调整频率。我们采用在线学习与离线学习相结合的方式训练模型，以提取设备在不同场景下的调频策略，从而实现对复杂负载场景的高效优化。
2.3性能功耗感知的调度算法
我们设计了一套完整的性能测试框架，用于分析移动设备在不同工作负载下的资源使用模式。针对大小核异构架构（big.LITTLE）处理器的特点，我们提出了一种动态资源调度方案，该方案能够根据应用需求和设备状态，在大小核之间灵活分配任务。通过精准识别负载特性，高性能核心（big）承担复杂计算任务，低功耗核心（LITTLE）处理轻量工作，从而在满足高负载应用性能需求的同时，有效降低能耗，延长设备续航时间，并提升资源利用效率。
