式中：T为工作时间；C是与系统负载电容相关的系数；Vdd和f分别为供电电压和运行频率。对于同样的负载，根据式(1)，很容易推导出，当负载均匀分布于时间间隔T内时，能量效率是最优的。所以，对于面向多媒体应用的SOC低功耗系统级优化而言，其主要思想就是如何根据具体应用的需要，在当前可用的IP及其配置中，寻求一套最优化的组合，使得系统负载能均匀分布在给定的时间约束内。图2给出的则是设计者进行系统级功耗优化的理想状态，虽然在实际应用中该状态永远无法达到，但是可以在设计过程中无限逼近这一状态。



2  系统实现

在多媒体SOC中，为了保证服务质量，系统的设计目标必须是面向最高负载情况。然而在实际运行过程中，视频解码器、中央处理器以及一些外设经常处于不活动或者低负载状态，这无疑白白消耗了一些能量。为解决该问题，EDA公司对Multi-Vt以及Muhi-Vdd等低功耗设计技术提供更有力的支持，IP供应商对同一IP核也提供了丰富配置以满足不同应用需求，同时Foundry也提供了更丰富的标准单元库以及工艺。在进行低功耗多媒体SOC设计的过程中，设计者所要做的就是充分利用这些技术优势，尽可能地去开发可利用的低功耗设计空间。

图3给出了一个多媒体SOC目标系统的基本架构图，该系统和当前多媒体SOC系统最大的差异在于增加了一个功率控制模块(PCM)。该模块的实现方式可以灵活多样，对于某些对实时性要求较高的功能块(如负载预测)，可以采用硬件加速的方式实现。而对于实时性要求不高的功能块，则可以利用中央处理器的软件资源来实现。在设计过程中，先将构成系统的各个IP核按其配置和对应的性能，同时结合多媒体SOC的应用需求，组合成一系列的微状态，然后将这些状态构成一个查找表，存储于功率控制模块。系统在运行过程中，控制模块会根据当前负载情况，实时调整整个系统的运行状态，通过配置寄存器的方式，让系统在各个不同微状态之间切换，从而尽量使负载能均匀分布于整个运行过程中，达到降低功耗的目的。在功率控制模块的核心算法中，本文采用了反馈控制和负载预测相结合的方式，以此来弥补彼此的不足之处。对于负载预测而言，预测模型的准确性直接关系到多媒体的服务质量。研究表明，多媒体视频帧长的统计特征表现出了很强的长相关性(longterm dependency，IRD)，而多媒体SOC的系统负载又和帧长有着直接关系，所以在功率控制模块中，采用F-ARIMA模型来进行负载预测。该模型是一种典型的自相似模型，能很好地反映时间序列的LRD特性，从而能比较准确地进行多媒体视频应用的负载预测。而对于反馈控制机制，本文采用了跟视频服务质量密切相关的最后期限缺失率(DMR)作为反馈标准。具体方法是：首先系统运行于缺省状态，通常是性能相应功耗都最高的状态。然后系统根据性能检测模块，并从预测模型库中选择预测模型对负载进行预测，然后根据预测结果实时调整当前系统的微状态。当系统性能检测模块监测到DMR高于某一预先设定的门限，则系统反馈控制模块负责调整预测模型的参数或者彻底更新预测模型，直至DMR值低于预先设定的门限值。



3  结论

本文针对移动多媒体SOC设计中的功耗问题，提出了一种系统级低功耗设计方法。该方法的核心是利用各种IP所提供的配置空间，将多媒体SOC系统细分为不同的微状态。同时结合传统的DVS以及DPM思想，利用反馈控制和负载预测相结合的方式，实时调整系统运行过程中的微状态，从而在保证多媒体服务质量的基础上，让系统负载尽可能均匀分布于整个运行期间，达到降低功耗的目的。通过系统级的仿真和评估，该算法相对传统方法而言，进一步有效地降低了系统功耗，平均约能降低40%左右。同时，由于该方法采用了与服务质量直接相关的DMR作为反馈控制信号，故在降低功耗的同时，能保证多媒体视频DMR在9%以下，均值在5%以下。

上一页  [1] [2]