一种基于低噪放大器的芯片功耗降低方法和系统与流程

本发明涉及芯片节能，尤其涉及一种基于低噪放大器的芯片功耗降低方法和系统。

背景技术：

1、低噪放大器通常是一种专门用于放大弱小信号的放大器，常用于无线通信、射频电路、传感器接口等领域，低噪放大器的芯片在工作时可能会产生大量的功耗，影响设备续航，因为需要降低低噪放大器的芯片功耗。

2、现有的低噪放大器的芯片功耗降低方法多为基于电路结构优化的功耗降低方法，主要是优化电路的拓扑结构、采用低功耗的晶体管器件以及使用深亚微米工艺降低芯片的功耗，实际应用中，基于电路结构优化的功耗降低方法需要经验充足的设计人员进行电路重构设计，且需要对现有的芯片进行更替，具有较高的经济、时间门槛，可能会导致进行芯片降耗时的效率较低。

技术实现思路

1、本发明提供一种基于低噪放大器的芯片功耗降低方法和系统，其主要目的在于解决进行芯片降耗时的效率较低的问题。

2、为实现上述目的，本发明提供的一种基于低噪放大器的芯片功耗降低方法，包括：

3、依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，根据所述芯片日志序列将预先获取的用户行为日志拆分成用户日志序列；

4、从所述用户日志序列中提取出用户行为特征序列，依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，其中，所述依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，包括：将所述用户行为特征序列拆分成多个用户行为特征组，随机在各用户行为特征组中筛选出初级行为中心特征；利用如下的行为聚类算法计算出所述用户行为特征序列中各个用户行为特征和各个初级行为中心特征之间的特征距离：

5、

6、其中，g是指所述特征距离，m是所述用户行为特征的总特征维度，且所述用户行为特征的总特征维度和所述初级行为中心特征的总特征维度相等，f是指第f维特征向量，exp()是指数函数，cos()是余弦函数，π是圆周率，af是指所述用户行为特征中的第f维特征向量，bf是指所述初级行为中心特征中的第f维特征向量；根据所述特征距离重新对各个用户行为特征进行分组，得到多个次级用户行为特征组，计算各个次级用户行为特征组对应的次级行为中心特征；计算出各个次级行为中心特征和对应的初级行为中心特征之间的中心特征距离，根据所述中心特征距离将各个次级用户行为特征组迭代更新成标准用户行为特征组；逐个选取所述标准用户行为特征组作为目标用户行为特征组，将所述目标用户行为特征组的次级行为中心特征作为目标聚类中心；利用所述目标聚类中心对所述用户行为特征序列中所述目标用户行为特征组对应的各个用户行为特征进行特征替换，得到标准行为特征序列；

7、利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型；

8、对所述标准行为特征序列进行状态标注，得到用户行为状态序列，根据所述用户行为状态序列将所述芯片日志序列标注成芯片状态序列，利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组；

9、获取实时用户行为日志，利用所述行为分析模型分析出所述实时用户行为日志对应的实时分析行为特征，根据所述降频芯片状态组和所述实时分析行为特征生成实时芯片节能策略，根据所述实时芯片节能策略对低噪放大器芯片进行功耗配置。

10、可选地，所述依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，包括：

11、依次对预先获取的芯片运行日志进行单位转换和日志格式化操作，得到标准运行日志；

12、分别从所述标准运行日志中提取出日志时间特征集、日志名称特征集以及日志大小特征集；

13、对所述日志时间特征集、所述日志名称特征集以及所述日志大小特征集进行特征拼接，得到日志标准特征集；

14、根据所述日志标准特征集对所述标准运行日志进行数据去重，得到去重运行日志；

15、从所述去重运行日志中提取出日志时间戳，根据所述日志时间戳对所述去重运行日志进行时序排列，得到时序运行日志；

16、按照预设的时域区间对所述时序运行日志进行时域拆分，得到芯片日志序列。

17、可选地，所述从所述用户日志序列中提取出用户行为特征序列，包括：

18、逐个选取所述用户日志序列中的用户日志作为目标用户日志，对所述目标用户日志进行日志解析，得到目标用户日志数据；

19、从所述目标用户日志数据中提取出行为名称特征、行为资源特征以及行为周期特征；

20、将所述行为名称特征全局池化成池化名称特征，将所述行为资源特征全局池化成池化资源特征，将所述行为周期特征全局池化成池化周期特征；

21、利用如下的行为融合算法将所述池化名称特征、所述池化资源特征以及所述池化周期特征融合成用户行为特征：

22、

23、其中，l是指所述用户行为特征，i是指特征维度序号，e是指所述池化名称特征的特征总维度，且所述池化名称特征、所述池化资源特征及所述池化周期特征的特征总维度相等，sigmoid是sigmoid激活函数，qi是指所述池化名称特征的第i维特征，α、β、γ是所述行为融合算法的权重矩阵，t是转置符号，d()是特征维度函数，ri是指所述池化资源特征的第i维特征，pi是指所述池化周期特征的第i维特征；

24、根据所述用户日志序列将所有的用户行为特征汇集成用户行为特征序列。

25、可选地，所述利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，包括：

26、利用预设的行为时序模型分别从所述标准行为特征序列中提取出行为长期特征和行为短期特征；

27、对所述标准行为特征进行位置编码，得到位置行为特征；

28、对所述位置行为特征进行自注意力编码，得到自注意力行为特征；

29、将所述行为长期特征、所述行为短期特征以及所述自注意力行为特征拼接成初级行为特征矩阵；

30、将所述初级行为特征矩阵归一化成次级行为特征矩阵，利用如下的矩阵映射算法计算出所述次级行为特征矩阵的映射矩阵：

31、

32、其中，所述cu是指所述次级行为特征矩阵中第u维特征的映射矩阵，所述n是指所述标准行为特征序列的序列长度，j、o为序号索引，xju是指所述次级行为特征矩阵中第j个特征的第u维特征向量，xou是指所述次级行为特征矩阵中第o个特征的第u维特征向量；

33、利用所述映射矩阵对所述初级行为特征矩阵进行特征映射，得到时序自注意力特征。

34、可选地，所述利用预设的行为时序模型分别从所述标准行为特征序列中提取出行为长期特征和行为短期特征，包括：

35、利用预设的行为时序模型对所述标准行为特征序列进行傅里叶变换，得到行为频域特征；

36、从所述行为频域特征中提取出频域峰值周期，利用所述行为时序模型的跳转层和所述频域峰值周期对所述标准行为特征序列进行跳转特征提取，得到行为长期特征；

37、利用所述行为时序模型的递归层对所述标准行为特征序列进行递归特征提取，得到行为短期特征。

38、可选地，所述根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型，包括：

39、按照所述标准行为特征序列的时域窗口将所述时序自注意力特征拆分成时序窗口特征序列；

40、利用所述行为时序模型对所述时序窗口特征序列进行特征转码，得到分析行为特征序列；

41、计算出所述分析行为特征序列和所述标准行为特征序列之间的行为损失值；

42、判断所述行为损失值是否大于预设的行为损失阈值；

43、若否，则根据所述行为损失值对所述行为时序模型的模型参数进行迭代更新，并返回所述利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征的步骤；

44、若是，则将更新后的所述行为时序模型作为行为分析模型。

45、可选地，所述利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，包括：

46、利用预设的回报奖励模型分别从所述芯片状态序列中提取出能耗特征序列、状态特征序列以及工作特征序列；

47、根据所述能耗特征序列和所述状态特征序列生成能耗状态特征序列；

48、根据所述能耗特征序列和所述工作特征序列生成工作能效特征序列；

49、利用所述工作能效特征序列和所述能耗状态特征序列将所述回报奖励模型训练成降频回报模型。

50、可选地，所述利用所述工作能效特征序列和所述能耗状态特征序列将所述回报奖励模型训练成降频回报模型，包括：

51、利用所述回报奖励模型计算出所述能耗状态特征序列对应的分析能效特征序列；

52、计算出所述分析能效特征序列和所述工作能效特征序列之间的能效损失值；

53、判断所述能效损失值是否大于预设的能效损失阈值；

54、若否，则根据所述能效损失值对所述行为时序模型的模型参数进行迭代更新，并返回所述利用预设的回报奖励模型分别从所述芯片状态序列中提取出能耗特征序列、状态特征序列以及工作特征序列的步骤；

55、若是，则将更新后的所述回报奖励模型作为降频回报模型。

56、可选地，所述根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组，包括：

57、从所述芯片状态序列中提取出状态特征序列；

58、利用预设的随机数算法生成出随机能耗特征组；

59、根据所述随机能耗特征组和所述状态特征序列生成随机能耗状态特征序列；

60、根据所述降频回报模型计算出所述随机能耗状态特征序列对应的随机能效特征序列，从所述随机能效特征序列中提取出初级降频能效特征组；

61、利用模拟退火算法对所述初级降频能效特征组进行迭代更新，得到标准降频能效特征组；

62、利用所述标准降频能效特征组对所述随机能耗状态特征序列进行映射，得到降频芯片状态组。

63、为了解决上述问题，本发明还提供一种基于低噪放大器的芯片功耗降低系统，所述系统包括：

64、日志清洗模块，用于依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，根据所述芯片日志序列将预先获取的用户行为日志拆分成用户日志序列；

65、特征映射模块，用于从所述用户日志序列中提取出用户行为特征序列，依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，其中，所述依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，包括：将所述用户行为特征序列拆分成多个用户行为特征组，随机在各用户行为特征组中筛选出初级行为中心特征；利用如下的行为聚类算法计算出所述用户行为特征序列中各个用户行为特征和各个初级行为中心特征之间的特征距离：

66、

67、其中，g是指所述特征距离，m是所述用户行为特征的总特征维度，且所述用户行为特征的总特征维度和所述初级行为中心特征的总特征维度相等，f是指第f维特征向量，exp()是指数函数，cos()是余弦函数，π是圆周率，af是指所述用户行为特征中的第f维特征向量，bf是指所述初级行为中心特征中的第f维特征向量；根据所述特征距离重新对各个用户行为特征进行分组，得到多个次级用户行为特征组，计算各个次级用户行为特征组对应的次级行为中心特征；计算出各个次级行为中心特征和对应的初级行为中心特征之间的中心特征距离，根据所述中心特征距离将各个次级用户行为特征组迭代更新成标准用户行为特征组；逐个选取所述标准用户行为特征组作为目标用户行为特征组，将所述目标用户行为特征组的次级行为中心特征作为目标聚类中心；利用所述目标聚类中心对所述用户行为特征序列中所述目标用户行为特征组对应的各个用户行为特征进行特征替换，得到标准行为特征序列；

68、行为分析模块，用于利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型；

69、策略生成模块，用于对所述标准行为特征序列进行状态标注，得到用户行为状态序列，根据所述用户行为状态序列将所述芯片日志序列标注成芯片状态序列，利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组；

70、芯片降耗模块，用于获取实时用户行为日志，利用所述行为分析模型分析出所述实时用户行为日志对应的实时分析行为特征，根据所述降频芯片状态组和所述实时分析行为特征生成实时芯片节能策略，根据所述实时芯片节能策略对低噪放大器芯片进行功耗配置。

71、本发明通过依次对预先获取的芯片运行日志进行日志清洗和时域拆分，得到芯片日志序列，可以确保芯片日志序列中每个芯片日志的数据准确性，通过根据所述芯片日志序列将预先获取的用户行为日志拆分成用户日志序列，可以方便地进行用户行为时序特征的提取，进而方便对用户行为进行预测分析，通过从所述用户日志序列中提取出用户行为特征序列，依次对所述用户行为特征序列进行特征聚类和特征映射，得到标准行为特征序列，可以减少用户行为特征的总数，更加方便提取用户行为的时序特征，提高模型训练的效率，进而提高芯片节能效率，通过利用预设的行为时序模型从所述标准行为特征序列中提取出行为时序自注意力特征，可以结合长期的时序特征和短期时序特征以及标准行为特征序列中的自注意力关联特征生成时序自注意力特征，提高了时序特征的表征度，通过根据所述行为时序自注意力特征和所述标准行为特征序列将所述行为时序模型训练成行为分析模型，可以更加准确地预测用户的行为特征变化关系，进而提高后续芯片节能的效率。

72、通过对所述标准行为特征序列进行状态标注，得到用户行为状态序列，根据所述用户行为状态序列将所述芯片日志序列标注成芯片状态序列，利用所述芯片状态序列将预设的回报奖励模型训练成降频回报模型，根据所述降频回报模型从所述芯片状态序列中提取出降频芯片状态组，可以针对不同用户的工作状态模式提取出能效比最高的芯片功耗策略，进而减少后续的芯片功耗，通过获取实时用户行为日志，利用所述行为分析模型分析出所述实时用户行为日志对应的实时分析行为特征，根据所述降频芯片状态组和所述实时分析行为特征生成实时芯片节能策略，根据所述实时芯片节能策略对低噪放大器芯片进行功耗配置，可以根据用户的实时行为日志预测出用户行为的变化，进而提前确定出最节能的能耗控制方案进行芯片功耗配置，从而减少芯片功耗，提高了芯片降耗的效率。因此本发明提出的基于低噪放大器的芯片功耗降低方法和系统，可以解决进行芯片降耗时的效率较低的问题。