💻 computer science

Power Consumption Patterns Using Telemetry Data

Dit artikel toont aan dat gebruikersgedrag, meer dan hardwarekeuze, een doorslaggevende factor is in het energieverbruik van apparaten, gebaseerd op een analyse van Intel-telemetriedata en een lineair model.

Oorspronkelijke auteurs: Harry Cheon, Yuyang Pang, Zhiting Hu, Benjamin Smarr, Julien Sebot, Bijan Arbab, Ahmed Shams

Gepubliceerd 2026-02-27

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Harry Cheon, Yuyang Pang, Zhiting Hu, Benjamin Smarr, Julien Sebot, Bijan Arbab, Ahmed Shams

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🌍 De Grootte van de Schoen: Hardware vs. Gebruiksgewoonten

Stel je voor dat je een auto koopt. Veel mensen denken: "Als ik een dure, krachtige sportwagen koop, verbruikt die veel meer benzine dan een kleine stadsauto." Dat is logisch, maar dit onderzoek van Intel en de Universiteit van San Diego zegt iets verrassends: Het is niet zozeer de auto die bepaalt hoeveel brandstof je verbruikt, maar vooral hoe je rijdt.

De onderzoekers keken naar miljoenen computers wereldwijd (via een soort "stille waarnemer" die data verzamelt zonder je privacy te schenden). Hun conclusie? Hoe jij je computer gebruikt, is veel belangrijker voor het energieverbruik dan welk model computer je hebt.

🇨🇳 vs. 🇺🇸: De Grote Vergelijking

De onderzoekers keken vooral naar twee landen: China en de Verenigde Staten. Waarom? Omdat ze de grootste gebruikers zijn en het verschil tussen hen enorm was.

De bevinding: Een gemiddelde gebruiker in China verbruikt twee keer zoveel stroom als een gemiddelde gebruiker in de VS.
De analogie: Het is alsof twee mensen dezelfde fiets huren. De ene fietser (VS) rijdt rustig naar de supermarkt en stopt vaak. De andere fietser (China) rijdt alsof hij in een Tour de France zit, de hele dag door, met veel meer versnellingen. De fiets is hetzelfde, maar het verbruik is heel anders.

Zelfs als ze keken naar mensen met exact dezelfde computer (zelfde processor, zelfde kracht), bleef het verschil bestaan. Het gaat dus niet om de hardware, maar om gedrag.

🕒 Wanneer en Hoe? (Tijdspatronen)

Het onderzoek liet zien dat de "rijstijl" van de gebruikers heel anders is:

De dagcyclus:
- In de VS: Mensen gebruiken hun computer het meest in de ochtend (misschien voor werk of school) en gaan 's avonds rustiger doen. Het verbruik daalt als de dag vordert.
- In China: Het verbruik stijgt juist naarmate de dag vordert. De computers gaan 's avonds het hardst draaien, alsof het land pas echt wakker wordt als de zon ondergaat.
Het weekend:
- In de VS: Zaterdag en zondag zijn duidelijk rustiger. De computers staan minder aan (een klein "weekend-dipje").
- In China: Geen verschil. Het verbruik is elke dag van de week even hoog. Het is alsof er geen weekend bestaat voor de computers.

🎮 Gamers en Videostreamers: De Verborgen Oorzaak

Een van de eerste gedachten was: "Misschien zijn er in China gewoon veel meer gamers?" Gamers gebruiken immers zware computers.
Nee, het percentage gamers was bijna hetzelfde in beide landen.

Maar toen keken ze dieper naar wat mensen deden:

In China worden populaire videoplatforms (zoals DouYu, Bilibili en iQIYI) gebruikt op een manier die de computer zwaar belast.
De analogie: Stel je voor dat je een filmpje kijkt.
- Slimme manier (VS/Europese sites): De computer gebruikt een speciale "snelle lift" (hardware-acceleratie) om het filmpje te tonen. Dit kost weinig energie.
- Oude manier (Sommige Chinese sites): De computer moet het filmpje "handmatig" berekenen, alsof je de lift moet duwen in plaats van erin te stappen. Dit kost enorm veel energie, zelfs als je alleen maar naar een video kijkt.

De onderzoekers ontdekten dat veel Chinese videowebsites deze "snelle lift" niet gebruiken. Hierdoor verbruiken ze veel meer stroom dan nodig is.

💡 Wat betekent dit voor de toekomst?

Dit onderzoek is als een wake-up call voor tech-bedrijven zoals Intel.

Hardware is niet alles: Je kunt de beste, zuinigste processor bouwen, maar als de software (de apps en websites) niet slim is ontworpen, wordt die energie toch verspild.
Software-optimalisatie: Als websites en apps (zoals videoplatforms) hun code verbeteren om de "snelle lift" van de processor te gebruiken, kan er enorm veel energie worden bespaard.
Gedrag veranderen: Als we begrijpen waarom mensen meer stroom verbruiken (bijvoorbeeld door specifieke videowebsites), kunnen we oplossingen bedenken om dat te veranderen.

🚀 Conclusie in één zin

Het is niet zozeer de auto (de computer) die bepaalt hoeveel benzine (stroom) er opgaat, maar vooral hoe je rijdt (welke apps je gebruikt en hoe je ze gebruikt). Door te kijken naar het gedrag van de gebruiker in plaats van alleen de machine, kunnen we veel effectiever de uitstoot van CO2 verminderen.

Titel: Power Consumption Patterns Using Telemetry Data

Auteurs: Harry Cheon et al. (UC San Diego & Intel Corporation)

1. Probleemstelling

Het paper adresseert het misverstand dat de keuze voor hardware de primaire determinant is voor het energieverbruik van een apparaat. Hoewel de "koolstofvoetafdruk" een bekend concept is, ontbreekt er vaak een duidelijke definitie en een gefundeerd inzicht in hoe gebruikersgedrag de energie-efficiëntie beïnvloedt.

Doel: Het analyseren van het verbruik van het processorpakket (package power consumption) met behulp van Intel-telemetrie-data.
Hypothese: In plaats van alleen te focussen op energievormen of hardware-specifieke beperkingen, onderzoekt het paper of gebruikersgedrag een grotere invloed heeft op het energieverbruik dan de hardwarekeuze zelf.
Context: De studie richt zich specifiek op de vergelijking tussen de VS en China, twee landen met een hoge CO2-uitstoot en een grote vertegenwoordiging in de dataset, om patronen te identificeren die stakeholders (zoals Intel) kunnen helpen om de milieueffecten te verminderen.

2. Methodologie

Dataset en Bron

Bron: Intel Driver & Support Assistant (IDSA) telemetrie. Miljoenen gebruikers kiezen ervoor om device-gebruiksdata te delen (ongeveer 40% opt-in).
Privacy: Er wordt geen PII (Persoonlijk Identificeerbare Informatie) verzameld. Data wordt gekoppeld via een Global Unique Identifier (GUID) om apparaatgedrag over tijd te volgen zonder de identiteit van de gebruiker te onthullen.
Selectie: De studie gebruikt een steekproef van 1 miljoen GUID's.
Data-punten: Per apparaat worden dagelijks geaggregeerde data verzameld over 1.400+ parameters, waaronder CPU-energieverbruik, temperatuur, netwerkbeweging, applicatieduur, en turbo-status.

Data-analyse en Normalisatie

Gewogen Gemiddelde: Omdat er meerdere metingen per dag kunnen zijn, wordt een gewogen gemiddelde berekend op basis van het aantal samples.
Normalisatie CPU-gebruik: Het CPU-gebruik wordt genormaliseerd naar het aantal kernen om vergelijkingen tussen systemen met verschillende core-aantallen mogelijk te maken ( $\eta = c \times \omega_u$ ).
MUAP (Median User Average Power): Een metriek om het gemiddelde dagelijkse verbruik per gebruiker te berekenen en vervolgens de mediaan per land te nemen, om uitbijters te minimaliseren.
Turbo-definitie: Een machine wordt als "turbo" beschouwd als deze meer dan 10% van de totale gebruiksduur in turbo-modus verkeert.

Modellering

Linear Model: Er is een lineair regressiemodel (LASSO en Ordinary Least Squares) getraind op een dataset van 10.000 willekeurig geselecteerde GUID's (uitgebreid tot ~1 miljoen dagelijkse samples).
Features: 225 parameters uit 5 tabellen (Software-gebruik, Website-gebruik, C-state, AC/DC info, Systeeminfo, CPU-pakketvermogen).
Validatie: 80% training, 20% test. Prestaties gemeten via Mean Squared Error (MSE) en $R^2$ .

3. Belangrijkste Resultaten

Landenvergelijking (VS vs. China)

MUAP Verschil: China heeft een MUAP van 11,74 Watt, bijna het dubbele van de VS (6,4 Watt).
Hardwarecontrole: Zelfs wanneer gecontroleerd wordt voor CPU TDP (Thermal Design Power) en het type apparaat (laptop/desktop), blijft het significant hogere verbruik in China bestaan. Hardwarekeuze verklaart dit verschil niet volledig.
Tijdspatronen:
- VS: Verbruik piekt 's ochtends (rond 08:00) en neemt gedurende de dag af. Er is een duidelijk "weekend-dip" (laag verbruik op zaterdag/zondag).
- China: Verbruik neemt toe gedurende de dag en piekt 's avonds. Er is geen significant weekend-effect; het verbruik is consistent door de week.

OEM en Turbo Analyse

OEM Verschillen: Bij alle top-10 laptopfabrikanten (OEM's) is het gemiddelde verbruik in China hoger dan in de VS. HP toont het grootste verschil (+6,47 Watt). Dit geldt zelfs voor gaming-merken (MSI, Razer, Alienware), wat suggereert dat het verschil niet alleen door "gamers" wordt veroorzaakt.
Turbo Status: Het verschil in verbruiksverdeling tussen de VS en China is groter wanneer machines in turbo-modus verkeren. Dit suggereert dat Chinese gebruikers vaker of intensiever gebruikmaken van turbo-functies.

Linear Model Insights

Model Performance: De LASSO-regressie levert een $R^2$ van 0,33 op. Gezien de complexiteit van gebruikersgedrag en ontbrekende data, wordt dit als significant beschouwd.
Belangrijkste Features: Van de top 5 features met de grootste coëfficiënten (grootste impact op verbruik) zijn er drie gerelateerd aan gebruikersgedrag:
1. Genormaliseerd CPU-gebruik (C-state).
2. Aantal kernen.
3. Persona Gamer (gedragspatroon).
- Opmerking: "Web User" heeft een negatieve coëfficiënt, wat suggereert dat webgebruik relatief energiezuiniger is.

Software en Workload

Intensiteit: Chinese gebruikers verbruiken meer energie bij hetzelfde CPU-gebruik, wat wijst op minder efficiënte software of workflows.
Specifieke Ontdekkingen: Intel-interne onderzoeken bevestigden dat populaire Chinese platforms (zoals DouYu, Bilibili, IQIYI) geen gebruikmaken van Intel's Si Hardware-based DRA (Dynamic Resolution Adjustment) of specifieke codecs. Dit leidt tot een aanzienlijk hoger energieverbruik vergeleken met andere websites op dezelfde hardware.
Ranking: Gaming en multimedia-editing staan bovenaan in zowel hoogste piekvermogen als totale energieconsumptie.

4. Bijdragen en Significatie

Paradigmaverschuiving: Het paper weerlegt de interne overtuiging bij Intel dat hardware de enige bepalende factor is. Gebruikersgedrag is de kritieke determinant voor energieverbruik.
Actiepunten voor Intel:
- Optimalisatie van workflows voor Chinese gebruikers kan leiden tot aanzienlijke CO2-reducties.
- Intel kan gebruikers adviseren om web-based applicaties (cloud computing) te prefereren boven zware lokale software, aangezien datacenters vaak energie-efficiënter zijn per operatie.
- Samenwerking met softwareontwikkelaars (zoals streamingdiensten) om hardware-acceleratie (DRA, codecs) correct te implementeren.
Sustainability: De bevindingen ondersteunen direct Intel's duurzaamheidsdoelstellingen voor 2030 door inzicht te geven in hoe "groene modi" en software-optimalisaties de milieueffecten kunnen verminderen.

5. Conclusie en Toekomst

De studie concludeert dat het begrijpen van patronen in gebruikersgedrag essentieel is voor het verminderen van de koolstofvoetafdruk van computing. Hoewel hardware belangrijk blijft, is het gedrag van de gebruiker (welke apps, hoe lang, op welk tijdstip) de grootste variabele. Toekomstig werk omvat het uitbreiden van het onderzoek naar andere regio's, het integreren van lokale energiemixen (CO2 per kWh), en het ontwikkelen van complexere modellen voor real-time "green mode"-optimalisatie.