| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 背景与意义 | 第9-12页 |
| 1.1.1 图形渲染硬件 | 第9-10页 |
| 1.1.2 图形渲染软件 | 第10-11页 |
| 1.1.3 功耗优化技术 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 机理功耗模型研究现状 | 第13-14页 |
| 1.2.2 经验功耗模型研究现状 | 第14-15页 |
| 1.2.3 研究现状总结 | 第15-16页 |
| 1.3 研究内容及指标 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 设计指标 | 第17页 |
| 1.4 论文组织 | 第17-19页 |
| 第二章 GPU功耗模型概述 | 第19-27页 |
| 2.1 GPU功耗来源 | 第19-21页 |
| 2.1.1 开关功耗 | 第19-20页 |
| 2.1.2 短路功耗 | 第20页 |
| 2.1.3 漏电功耗 | 第20-21页 |
| 2.2 Android图形渲染框架 | 第21-25页 |
| 2.2.1 图形渲染流水线 | 第21-23页 |
| 2.2.2 软件框架 | 第23页 |
| 2.2.3 硬件框架 | 第23-25页 |
| 2.3 基于性能事件的移动GPU图形渲染功耗模型 | 第25-26页 |
| 2.3.1 基于性能事件的移动GPU功耗建模方案 | 第25-26页 |
| 2.3.2 与基于利用率的移动GPU功耗模型的对比 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 建模前期功耗与性能数据的采集 | 第27-37页 |
| 3.1 数据采集 | 第27-32页 |
| 3.1.1 性能数据采集 | 第27-29页 |
| 3.1.2 功耗数据采集 | 第29-32页 |
| 3.2 功耗和性能数据同步 | 第32-33页 |
| 3.3 数据采样率的调整 | 第33-35页 |
| 3.3.1 图形应用程序的周期性 | 第33-34页 |
| 3.3.2 数据采样率的调整 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于性能事件的移动GPU功耗模型的实现 | 第37-53页 |
| 4.1 性能事件的选取 | 第37-41页 |
| 4.1.1 斯皮尔曼相关系数 | 第38页 |
| 4.1.2 性能事件选取 | 第38-41页 |
| 4.2 线性模型的实现 | 第41-44页 |
| 4.2.1 交叉验证 | 第42页 |
| 4.2.2 线性模型拟合 | 第42-44页 |
| 4.3 模型精度验证 | 第44-51页 |
| 4.3.1 软硬件平台 | 第44-46页 |
| 4.3.2 总功耗精度验证 | 第46-48页 |
| 4.3.3 功能单元功耗精度验证 | 第48-49页 |
| 4.3.4 与基于利用率的功耗模型精度对比 | 第49-51页 |
| 4.4 模型误差分析 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 模型指导下的功耗瓶颈定位 | 第53-59页 |
| 5.1 功耗模型的系统集成 | 第53-54页 |
| 5.2 功耗瓶颈定位案例分析 | 第54-56页 |
| 5.2.1 模型指导下的功耗瓶颈定位流程 | 第54-55页 |
| 5.2.2 案例分析 | 第55-56页 |
| 5.3 图形应用程序功耗特性 | 第56-58页 |
| 5.4 功耗模型应用场景 | 第58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-65页 |