PowerLens: Taming LLM Agents for Safe and Personalized Mobile Power Management

Das Paper stellt PowerLens vor, ein auf Android-Geräten laufendes System, das mittels mehrerer LLM-Agenten, einer PDL-basierten Sicherheitsverifikation und einem zweistufigen Gedächtnis für implizites Feedback personalisierte und sichere Energiesparrichtlinien generiert, die im Vergleich zu herkömmlichen Methoden die Akkulaufzeit um 38,8 % steigern.

Das Wesentliche

Stell dir vor, dein Smartphone ist wie ein großes, lebendiges Haus. Die Batterie ist der Vorrat an Essen und Wasser in diesem Haus.

Bisher war die Verwaltung dieses Hauses ziemlich stur. Der alte „Hausmeister" (das normale Android-Batteriespar-Modus) hat immer die gleichen Regeln angewendet: „Wenn der Vorrat niedrig ist, schalte alle Lichter aus und verriegle alle Türen." Das spart zwar Energie, aber es macht das Leben im Haus unangenehm. Du kannst nicht mehr navigieren, weil das GPS (die Landkarte) abgeschaltet wurde, oder du siehst nichts mehr, weil das Display zu dunkel ist.

PowerLens ist wie ein neuer, super-intelligenter Butler, der von einer künstlichen Intelligenz (einem LLM) angetrieben wird. Dieser Butler ist nicht stur, sondern lernt genau, was du magst und was du gerade tust.

Hier ist die einfache Erklärung, wie PowerLens funktioniert, mit ein paar kreativen Vergleichen:

1. Der Butler versteht den Kontext (Der „Situations-Check")

Der alte Hausmeister sieht nur: „Es ist 15 Uhr."
Der PowerLens-Butler sieht: „Ah, du bist gerade dabei, durch eine fremde Stadt zu navigieren!"

• Die Analogie: Stell dir vor, du bist in einem Theater.
  • Wenn du liest (ein ruhiges Stück), braucht der Butler das Licht nicht so hell und den Lüfter nicht so laut. Er dimmt das Licht und drosselt den Lüfter, um Strom zu sparen.
  • Wenn du navigierst (ein Action-Film), braucht der Butler das Licht hell, damit du die Karte siehst, und das GPS muss scharf sein. Er schaltet den Hintergrund-Lüfter aus, aber lässt die wichtigen Dinge laufen.
  • Das Ergebnis: Er spart Strom, ohne dir das Erlebnis zu verderben.

2. Der Butler lernt deine Vorlieben (Das „Gedächtnis")

Niemand mag es, wenn jemand anderes ständig die Temperatur im Raum verändert, obwohl man es genau so mag, wie es ist.

• Das Problem: Wenn der alte Hausmeister das Licht dimmt und du es sofort wieder hochdrehst, denkt er: „Okay, ich habe mich geirrt, aber ich weiß nicht, warum."
• Die PowerLens-Lösung: Der Butler hat ein zweistufiges Gedächtnis.
  • Kurzzeitgedächtnis: Er merkt sich sofort: „Der Nutzer hat das Licht gerade wieder hochgedreht. Ich lasse es heute so."
  • Langzeitgedächtnis: Wenn du das Licht immer wieder hochdrehst, wenn du Videos schaust, lernt er: „Aha! Bei Videos mag Herr Müller immer helles Licht." Er schreibt sich das auf und macht es in Zukunft automatisch so.
  • Der Clou: Du musst nichts einstellen. Er lernt einfach aus deinen kleinen Korrekturen („Ich habe das Licht hochgedreht" = „Ich mag es so"). Das dauert nur 3 bis 5 Tage, bis er dich perfekt kennt.

3. Der Sicherheits-Check (Der „Wachhund")

Künstliche Intelligenzen können manchmal „halluzinieren" (sich Dinge ausdenken). Ein normaler KI-Butler könnte denken: „Ich spare Strom, indem ich das GPS beim Navigieren abschalte." Das wäre fatal! Du würdest die Orientierung verlieren.

• Die Lösung: PowerLens hat einen Sicherheits-Wachhund (einen PDL-Prüfer). Bevor der Butler eine Handlung ausführt, rennt der Wachhund dazwischen und prüft: „Darf das GPS bei der Navigation aus? NEIN! Das ist verboten!"
• Er stellt sicher, dass der Butler kreativ sparen darf, aber niemals Dinge tut, die das Handy kaputt machen oder wichtige Funktionen blockieren.

4. Die Teamarbeit (Die „Multi-Agenten-Architektur")

Statt dass ein einziger Butler alles machen muss (was ihn überfordert), hat PowerLens ein Team:

1. Der Detektiv: Schaut auf deinen Bildschirm und sagt: „Der Nutzer nutzt gerade Google Maps."
2. Der Planer: Überlegt: „Okay, bei Maps brauchen wir GPS und helles Display. Aber Bluetooth können wir aus."
3. Der Sicherheits-Check: Prüft den Plan.
4. Der Ausführende: Setzt den Plan um.
5. Der Feedback-Geber: Schaut, ob du etwas geändert hast, und meldet es dem Team.

Warum ist das so toll?

Die Forscher haben PowerLens auf echten Handys getestet. Das Ergebnis ist beeindruckend:

• Energieersparnis: Das Handy hält fast 40 % länger durch als mit den normalen Einstellungen.
• Sicherheit: Es macht fast keine Fehler mehr (weniger als 1 %).
• Komfort: Die Nutzer waren sehr zufrieden, weil das Handy sich „intelligent" anpasst, statt sie zu nerven.
• Kosten: Der Butler selbst verbraucht kaum Energie (nur 0,5 %), also ist der Gewinn riesig.

Zusammenfassend:
PowerLens verwandelt dein Smartphone von einem sturen Roboter in einen persönlichen Assistenten, der genau weiß, wann er sparen muss und wann er für dich das Beste bieten soll – und das alles, ohne dass du ihm etwas beibringen musst. Er lernt einfach, indem er dir zuschaut.

Technische Zusammenfassung

1. Problemstellung

Die Akkulaufzeit bleibt eine der größten Herausforderungen für mobile Geräte. Bestehende Energiemanagement-Mechanismen (wie der Android „Battery Saver" oder DVFS-Governoren) basieren auf statischen Regeln oder groben Heuristiken. Diese Ansätze haben drei wesentliche Mängel:

• Fehlender semantischer Kontext: Sie erkennen nicht, was der Benutzer gerade tut (z. B. Navigation vs. Hintergrund-Sync), und optimieren daher nicht situationsgerecht.
• Keine Personalisierung: Sie ignorieren individuelle Benutzerpräferenzen (z. B. bevorzugte Helligkeit beim Lesen), was zu ständigen manuellen Eingriffen führt.
• Sicherheitsrisiken: Rein lernbasierte oder LLM-gesteuerte Ansätze neigen dazu, kritische Funktionen zu deaktivieren (z. B. GPS während der Navigation), was die Nutzbarkeit beeinträchtigt.

Ziel ist es, ein System zu schaffen, das die reasoning-Fähigkeiten von Large Language Models (LLMs) nutzt, um eine sichere, kontextbewusste und personalisierte Energieverwaltung zu ermöglichen, ohne die Benutzererfahrung zu beeinträchtigen.

2. Methodik: PowerLens-Architektur

PowerLens ist ein Android-System, das als gerootete System-App läuft und eine Multi-Agenten-Architektur verwendet, um das Problem in spezialisierte Teilaufgaben zu zerlegen. Das System arbeitet in einem geschlossenen Regelkreis:

A. Multi-Agenten-Loop

Das System orchestriert vier Agenten, die in einer sequenziellen Pipeline arbeiten:

1. Activity Agent (Aktivitäts-Erkennung):
   • Nimmt den UI-Baum (via Accessibility-Framework), den Gerätezustand (Batterie, Sensoren) und die App-Historie entgegen.
   • Nutzt ein LLM, um die semantische Aktivität des Benutzers zu erkennen (z. B. „Navigation", „Video-Call") und den Kontext zu extrahieren.
   • Erstellt eine kompakte „Context Signature" für die weitere Verarbeitung.
2. Policy Agent (Strategie-Generierung):
   • Generiert eine ganzheitliche Energiepolitik für 18 verschiedene Systemparameter (Display, Konnektivität, CPU, Audio, Sync).
   • Nutzt ein zweistufiges Speichersystem (siehe unten) zur Personalisierung.
   • Wählt Strategien basierend auf Prioritäten: Manuelle Benutzer-Overrides (STM) > Kontextspezifische Regeln (LPM) > Allgemeines Profil.
3. Execution Agent (Verifikation und Ausführung):
   • Verifikation: Prüft jede vom LLM generierte Aktion gegen Propositional Dynamic Logic (PDL)-Constraints. Dies verhindert, dass ungültige Werte oder sicherheitskritische Änderungen (z. B. GPS deaktivieren während der Navigation) ausgeführt werden.
   • Generierung: Übersetzt genehmigte Aktionen in ausführbare Root-Shell-Befehle.
4. Feedback Agent (Rückkopplung):
   • Erkennt manuelle Eingriffe des Benutzers durch deterministischen State Differencing (Vergleich des Systemzustands vor und nach der Aktion).
   • Wenn ein Benutzer eine Änderung rückgängig macht (z. B. Helligkeit wieder hochdrehen), wird dies als starkes Feedback-Signal („Strong Signal") markiert.

B. Zweistufiges Speichersystem (Memory System)

Um Präferenzen aus implizitem Feedback zu lernen, ohne explizite Konfiguration:

• Short-Term Memory (STM): Volatile, sessionspezifische Speicherung von aktuellen Sperren (User Locks) und Roh-Ereignisprotokollen.
• Long-Term Personal Memory (LPM): Persistenter Speicher pro App.
  • Extractor: Ein asynchroner Prozess (läuft im Leerlauf), der die Rohdaten analysiert.
  • Confidence-Based Distillation: Das System berechnet einen Vertrauenswert ($c$) für jede beobachtete Regel. Bei wiederholten, konsistenten Benutzer-Overrides steigt der Wert. Überschreitet er einen Schwellenwert (0.8), wird die Regel vom „Candidate Buffer" in das stabile LPM befördert.
  • Dies ermöglicht eine Konvergenz der persönlichen Präferenzen innerhalb von 3–5 Tagen.

C. Sicherheitsrahmen (PDL)

Um „Halluzinationen" der LLMs zu verhindern, werden alle Aktionen vor der Ausführung gegen PDL-Constraints validiert. Diese definieren harte Invarianten (z. B. „Wenn App = Navigation, dann muss GPS-High-Accuracy aktiv sein") und kontextabhängige Regeln.

3. Hauptbeiträge

1. Erstes System dieser Art: PowerLens ist das erste System, das LLM-Agenten für personalisiertes, kontextbewusstes Energiemanagement auf Mobilgeräten einsetzt, unterteilt in Aktivitätserkennung, Politikgenerierung, Verifikation und Feedback-Sammlung.
2. Implizites Lernen: Ein innovatives Zweistufen-Speichersystem, das individuelle Präferenzen ausschließlich durch das Erkennen manueller Overrides lernt und dabei innerhalb weniger Tage konvergiert.
3. Sicherheitsgarantie: Ein PDL-basierter Verifikationsrahmen, der sicherstellt, dass LLM-Entscheidungen niemals kritische Gerätefunktionen oder App-Anforderungen verletzen.
4. Umfassende Evaluation: Implementierung und Test auf echter Hardware mit einem neuen Benchmark (PowerLensBench).

4. Ergebnisse

Die Evaluation wurde auf einem rooted Android-Gerät (OnePlus ACE 5, Snapdragon 8 Gen 3) mit dem neu entwickelten PowerLensBench (7 App-Kategorien, 48 Aufgaben, 5 Benutzerprofile) durchgeführt.

• Energieeinsparung: PowerLens erreicht eine durchschnittliche Einsparung von 38,8 % im Vergleich zum Standard-Android (Stock Android). Zum Vergleich: Der reine „Battery Saver" spart nur 4,6 %, eine regelbasierte Lösung 19,9 %.
• Genauigkeit & UX:
  • Aktion-Genauigkeit: 81,7 % (deutlich besser als regelbasierte Ansätze).
  • User Experience Score (UES): 4,3 / 5,0.
  • Sicherheitsverletzungen: Nur 0,6 %. Der PDL-Checker eliminiert 96,5 % der potenziell gefährlichen Aktionen, die das rohe LLM vorgeschlagen hätte.
• Lernkurve: Das System konvergiert innerhalb von 3–5 Tagen zu stabilen Präferenzen.
• Overhead: Das System selbst verbraucht nur 0,5 % der täglichen Batteriekapazität, was die Einsparungen bei weitem überwiegt.
• Vergleich mit Baselines: PowerLens übertrifft sowohl regelbasierte Systeme als auch Single-Agent LLM-Ansätze (die oft zu aggressiv sind und die UX opfern) in allen Metriken.

5. Bedeutung und Ausblick

PowerLens demonstriert, dass LLMs nicht nur für UI-Automatisierung, sondern auch als System-Level-Reasoner für komplexe Ressourcenoptimierung eingesetzt werden können. Der entscheidende Durchbruch liegt in der Kombination aus:

1. Der Fähigkeit von LLMs, semantische Lücken zwischen Benutzeraktivitäten und Systemparametern zu schließen (Zero-Shot).
2. Der Einführung strenger Sicherheitsmechanismen (PDL), die die Risiken von LLM-Halluzinationen eliminieren.
3. Der Fähigkeit, aus implizitem Feedback zu lernen, was eine nahtlose Personalisierung ohne manuelle Eingriffe ermöglicht.

Die Arbeit legt den Grundstein für autonome, benutzerbewusste Ressourcenmanager, die sich an individuelle Gewohnheiten anpassen, ohne die Sicherheit oder Funktionalität des Geräts zu gefährden. Zukünftige Arbeiten zielen auf den Einsatz von On-Device-Modellen (SLMs) ab, um die Cloud-Abhängigkeit und Datenschutzrisiken weiter zu minimieren.