ML-basierte Energieverbrauchsmessungen von Softwarecode

Der Energieverbrauch von Software gewinnt angesichts wachsender ökologischer und wirtschaftlicher Anforderungen zunehmend an Bedeutung.

Betreuung

Philipp Zähl, M.Eng.

Abschluss

Bachelor oder Master

Der Energieverbrauch von Software gewinnt angesichts wachsender ökologischer und wirtschaftlicher Anforderungen zunehmend an Bedeutung. Ziel dieser Arbeit ist die Entwicklung eines automatisierten, wiederverwendbaren Mess- und Analyseframeworks, das den Energieverbrauch von Software anhand von statischen Code-Metriken, SonarQube-Kennzahlen, hardware-spezifischen Maschinencode-Features sowie systemarchitekturellen Parametern vorhersagen kann. Dazu werden Programme auf verschiedenen Zielsystemen automatisch kompiliert, ausgeführt und mittels on-chip Energiesensoren (z. B. RAPL) vermessen. Aus dem erzeugten Binary werden zusätzlich architekturspezifische Assembly- und Opcode-Merkmale extrahiert, um microarchitekturabhängige Optimierungen des Compilers in das Modell einzubeziehen. Alle Daten werden standardisiert erfasst und in einem erweiterbaren Datensatz gespeichert, wodurch das Framework auf neuen Systemen ohne manuelle Anpassung ausführbar ist und das Modell kontinuierlich erweitert werden kann. Zur Vorhersage wird ein einzelnes Machine-Learning-Modell auf Basis von Gradient Boosting eingesetzt, das auf den aggregierten Messdaten trainiert und regelmäßig aktualisiert wird. Die Arbeit untersucht die Vorhersagegüte dieses Ansatzes und zeigt, welche Code- und Hardwaremerkmale den Energieverbrauch maßgeblich beeinflussen. Dadurch entsteht ein praxisnahes Werkzeug zur energieorientierten Analyse und Bewertung von Software.

Online seit: 01.12.2025
Kontakt: [email protected]