3、功耗基础：功耗定义、动态与静态功耗、电压频率调节（DVFS）、功耗测量工具与方法
TinyML 推理任务通常部署在电池供电的微控制器（MCU）或低功耗边缘处理器上，功耗直接决定了设备的续航时间、热设计以及部署可行性。与云端 GPU 服务器不同，TinyML 设备的功耗预算往往只有毫瓦级甚至微瓦级，因此对功耗的精确建模与优化是调度策略设计的核心前提。本章从功耗的物理定义出发，深入拆解动态功耗与静态功耗的构成要素，阐述 DVFS 的调节原理与工程约束，并介绍从实验室测量到在线监测的完整工具链。
功耗建模不是简单的公式套用，而是需要结合芯片工艺、工作负载特征、温度环境和调度策略的综合工程。理解功耗的物理来源，才能在设计调度算法时做出正确的权衡。
3.1 功耗定义与基本物理模型
3.1.1 核心原理：功耗的物理来源
数字电路的功耗由两部分组成：动态功耗（Dynamic Power）和静态功耗（Static Power）。动态功耗源于电路翻转时对负载电容的充放电以及瞬间的短路电流，其经典表达式为：
P_dynamic = α · C_L · V_DD² · f其中，α 为活动因子（0~1，表示平均每个时钟周期内节点翻转的概率），C_L 为负载电容，V_DD 为供电电压，f 为时钟频率。静态功耗则主要由泄漏电流引起，包括亚阈值泄漏、栅极泄漏和结泄漏，表达式为：
P_static = V_DD · I_leak在 28nm 以上的工艺节点，动态功耗占据主导地位；但在 16nm 及以下节点，静态功耗占比可超过 30%，在待机状态下甚至成为主要功耗来源。TinyML 设备通常采用 40nm~22nm 工艺，两者均需纳入模型。
3.1.2 判断方法：如何区分动态与静态功耗
工程上可通过以下方法快速区分：
- 频率扫描法：固定电压，改变时钟频率，功耗随频率线性变化的部分为动态功耗，不变的部分为静态功耗。
- 电压扫描法：固定频率，改变电压，功耗随电压平方变化的部分为动态功耗，随电压线性变化的部分为静态功耗。
- 睡眠模式对比：将芯片置于深度睡眠状态，此时测得的功耗即为静态功耗。
3.1.3 案例拆解：Cortex-M4 内核的功耗拆分
以某款 40nm 工艺的 Cortex-M4 MCU 为例，在 3.3V 供电、80MHz 频率下运行 FP32 卷积运算，实测功耗为 12.5mW。通过频率扫描法，将频率降至 40MHz，功耗降至 7.2mW；再降至 20MHz，功耗降至 4.6mW。线性拟合后得到动态功耗系数为 0.14mW/MHz，静态功耗为 1.8mW。这意味着在低负载场景下，静态功耗占比接近 40%，单纯降低频率无法有效降低总功耗，必须考虑进入睡眠状态或降低电压。
| 频率 (MHz) | 总功耗 (mW) | 动态功耗 (mW) | 静态功耗 (mW) | 静态占比 |
|---|---|---|---|---|
| 80 | 12.5 | 10.7 | 1.8 | 14.4% |
| 40 | 7.2 | 5.4 | 1.8 | 25.0% |
| 20 | 4.6 | 2.8 | 1.8 | 39.1% |
3.1.4 常见误区与总结
功耗建模的起点是准确拆分动态与静态分量，这决定了后续 DVFS 策略的优化空间。
3.2 动态功耗与静态功耗的深入分析
3.2.1 动态功耗的组成与优化
动态功耗包含两部分：开关功耗（对负载电容充放电）和短路功耗（PMOS 与 NMOS 同时导通时的瞬态电流）。开关功耗是主要部分，与活动因子 α 直接相关。在 TinyML 推理中，α 与输入数据的稀疏性、权重分布和网络结构密切相关。例如，ReLU 激活函数会产生大量零值，若在硬件中跳过零值计算，可显著降低有效活动因子。
3.2.2 静态功耗的机制与温度敏感性
静态功耗的亚阈值泄漏电流与温度呈指数关系：温度每升高 10°C，泄漏电流约增加一倍。这意味着在持续推理任务中，芯片温度上升会导致静态功耗增加，形成正反馈。此外，阈值电压 V_th 的降低会增加泄漏，但能提升速度，这是工艺设计中的经典权衡。
3.2.3 实战场景：电池供电的语音唤醒设备
某智能音箱的语音唤醒模块采用 TinyML 模型，待机时处于深度睡眠（静态功耗 5μW），检测到声音后唤醒进行推理（动态功耗 8mW，持续 200ms）。若每小时唤醒 10 次，则平均功耗为：
P_avg = (5μW × 3599.8s + 8mW × 0.2s × 10) / 3600s ≈ 4.94μW可见，静态功耗在待机场景中占据绝对主导。优化方向包括：降低睡眠时的泄漏电流（如关闭未用外设电源域）、减少唤醒次数（如两级检测）、缩短推理时间（如模型量化）。
3.2.4 总结复盘
3.3 电压频率调节（DVFS）
3.3.1 核心原理：DVFS 的物理基础
DVFS 的核心思想是：动态功耗与 V² 和 f 成正比，而电路的最小时延与 V 成反比（近似）。因此，在任务负载较轻时，同时降低电压和频率，可以近似立方级地降低功耗（因为 V 和 f 同时降低）。但电压不能无限降低，必须满足电路时序收敛的最低电压 V_min，否则会出现时序违规导致计算错误。
3.3.2 操作流程：DVFS 的实施步骤
- 建立电压-频率查找表：通过芯片测试确定每个频率点对应的最低安全电压。
- 负载预测：根据任务队列长度、输入数据特征预测下一时间窗口的计算需求。
- 调频调压决策：在满足延迟 SLA 的前提下，选择最低的电压-频率组合。
- 平滑切换：先升压再升频（升载），先降频再降压（降载），避免电压不足。
- 效果验证：测量切换后的功耗与延迟，更新预测模型。
3.3.3 案例拆解：图像分类任务的 DVFS 调度
某边缘设备运行 MobileNetV2 图像分类，输入为 224×224×3。在 1.2V/200MHz 下，单次推理功耗 45mW，延迟 120ms；在 0.9V/100MHz 下，功耗 12mW，延迟 240ms。若任务允许的最大延迟为 300ms，则可以选择低电压档位，功耗降低 73%。但若任务队列中有 3 张图像需要连续处理，总延迟为 720ms，超过 SLA，则必须提升至 1.0V/150MHz（功耗 25mW，延迟 160ms/张，总延迟 480ms）。
| 电压 (V) | 频率 (MHz) | 单次功耗 (mW) | 单次延迟 (ms) | 3张总延迟 (ms) | 是否满足SLA |
|---|---|---|---|---|---|
| 1.2 | 200 | 45 | 120 | 360 | 否 |
| 1.0 | 150 | 25 | 160 | 480 | 否 |
| 0.9 | 100 | 12 | 240 | 720 | 否 |
| 1.1 | 180 | 35 | 133 | 399 | 否 |
| 1.05 | 165 | 29 | 145 | 435 | 是（<450ms） |
通过插值找到满足 SLA 的最低功耗点：1.05V/165MHz，功耗 29mW，总延迟 435ms。这比最高性能档位节省了 35% 的功耗。
3.3.4 常见误区与风险
此外，电压下降会导致最大工作频率下降，若预测不准确，可能造成任务超时。因此，调度器需要预留 10%~20% 的时序裕量。
3.4 功耗测量工具与方法
3.4.1 测量工具分类
功耗测量工具分为硬件仪器和软件工具两类。硬件仪器包括：高精度数字万用表（采样率低，适合平均功耗）、电流探头+示波器（适合瞬态功耗，带宽可达 MHz）、源测量单元（SMU，如 Keysight B2900 系列，支持高速采样和电压/电流同步输出）。软件工具包括：MCU 厂商提供的 EnergyTrace（TI）、STM32CubeMonitor-Power（ST）、J-Link 功耗测量功能，以及基于 Linux 的 PowerTop 和 RAPL 接口。
3.4.2 测量方法：从实验室到现场
- 实验室测量：使用 SMU 或电流探头，采样率≥1kHz，同步记录 GPIO 触发信号以标记推理任务起止。
- 板载监测：在 PCB 上预留 0.1Ω 采样电阻，通过差分放大器接入 ADC，实现毫秒级功耗采集。
- 软件估算：通过读取芯片内部性能计数器（如 CPU 周期数、缓存命中率）结合功耗模型进行估算，精度约 ±15%。
3.4.3 案例拆解：测量一次推理任务的功耗曲线
使用 J-Link 的 EnergyTrace 功能测量某款 nRF52840 开发板运行关键字识别模型（DS-CNN）的功耗。设置采样率为 10kHz，GPIO 在推理开始时拉高、结束时拉低。测量结果显示：空闲时电流 2.1μA，推理期间平均电流 4.8mA，峰值电流 12.3mA（发生在 MAC 运算密集段），推理耗时 85ms。通过积分计算总能量为 408μJ。进一步分析发现，峰值电流出现在前 20ms（特征提取阶段），后 65ms 电流较平稳（分类层）。这提示调度器可以在特征提取阶段降低频率以削峰，在分类阶段保持高频以缩短延迟。
3.4.4 总结与最佳实践
功耗测量是 DVFS 调度优化的前提，没有准确的测量数据，任何功耗模型都是空中楼阁。