Achieving Energy Efficiency with a Software Product Line Engineering Approach

Resumen

La OCDE afirma que el consumo de energía es un combustible para el crecimiento económico, pero está estrechamente relacionado con el cambio climático global a través de las emisiones de gases de efecto invernadero. Los sistemas de software no consumen energía por sí mismos, pero afectan a la utilización del hardware, lo que conlleva un consumo indirecto de energía. Reducir el consumo energético de los SPI exige un estudio exhaustivo de los distintos agentes, componentes y entorno implicados. Según la AIE, sólo los centros de datos y las redes en funcionamiento consumen el 1\% de la electricidad mundial. El diseño de software con conciencia energética puede reducir el consumo total de energía entre un 30% y un 90%. No obstante, las distintas formas de medir el consumo de energía en tiempo real son muy complejas. Los medidores de energía son dispositivos que se conectan a la toma de corriente y miden la cantidad de electricidad que circula por ella, mientras que los modelos energéticos de hardware con herramientas de software de predicción pueden mostrar cuánta energía utiliza cualquier componente para un proceso específico. Las lecturas de energía se proporcionan como el consumo total de energía en julios o la tasa de consumo de energía en vatios. Para los dispositivos alimentados por batería, los julios por tarea son una métrica más interesante, mientras que los vatios por tarea se usan más en dispositivos conectados directamente a corriente~\cite{kanso2023review}. El enfoque habitual para modelar y almacenar las lecturas de consumo energético es describirlas como una característica de componentes individuales, como el coste monetario de un componente hardware. Sin embargo, los valores de consumo energético presentan muchas interacciones entre componentes, lo que dificulta su descripción mediante valores energéticos individuales y estáticos. En su lugar, podemos almacenar y completar con información energética bases de datos de forma colaborativa. La AIE y Datarade ofrecen bases de datos gratuitas con datos de consumo energético para el análisis de la eficiencia energética y la sostenibilidad. Sin embargo, las bases de datos no son escalables para sistemas altamente configurables debido a la maldición de la dimensión. Nuestro trabajo se centra en la Industria 4.0, concretamente en los Sistemas Ciberfísicos (acrónimo inglés CPS), los cuales se caracterizan por su alta configurabilidad y adaptabilidad, presentando un gran número de alternativas y un número colosal de sistemas diferentes en funcionamiento. Esto se conoce como el espacio de búsqueda/solución, y cuyo tamaño es el conjunto de todos los puntos posibles que satisfacen un problema de optimización. Los espacios de solución parcialmente conocidos son un problema habitual en muchos campos, como la ingeniería informática, el aprendizaje automático, la inteligencia artificial y la optimización orientada a objetivos. Los Problemas de Satisfacción de Restricciones (acrónimo inglés CSP) son problemas matemáticos definidos como un conjunto de objetos cuyo estado debe satisfacer una serie de restricciones. Los Modelos de Variabilidad (acrónimo inglés VMs) son estructuras arborescentes que se utilizan para representar los elementos comunes y las diferencias de un CPS. Las Características Numéricas (acrónimo inglés NFs) pueden utilizarse en los VMs para representar propiedades cuantitativas del sistema, pero la mayoría de las herramientas no admiten NFs. Además, las NFs aumentan el tamaño del espacio de soluciones multiplicándolo por su tamaño de dominio, lo que convierte los espacios de soluciones grandes en colosales. Los Modelos de Calidad (acrónimo inglés QMs) son estructuras en forma de árbol que se utilizan para determinar qué Atributos de Calidad (acrónimo inglés QAs) como la eficiencia energética se tendrán en cuenta al evaluar un sistema. ISO/IEC 25010 es la formalización de QM más popular, que agrupa las QAs en ocho tipos distintos. El razonamiento automatizado es la automatización del razonamiento lógico formal para calcular distintos tipos de información sobre modelos de sistemas. Algunos ejemplos son proporcionar un VM o QM a una herramienta de razonamiento, y calcular el tamaño del espacio de soluciones, comprobar la satisfabilidad del modelo o generar únicamente sistemas óptimos basados en funciones objetivo basadas en uno o varios QAs. Esta tesis pretende encontrar un enfoque nativo de modelado y razonamiento para un Modelo unificado de Variabilidad y Calidad (acrónimo inglés QVM). Se trata de desarrollar un enfoque que apoye el modelado y el razonamiento orientado a la optimización de características numéricas, un marco algebraico para QVMs unificados, un ecoasistente en línea para optimizar un espacio de soluciones restringido por el usuario y medido para la calidad, y un algoritmo y una herramienta web para aprender las influencias de la energía y las características de espacios de soluciones restringidos por el usuario, desconocidos por el dominio y parcialmente medidos.