💻 computer science

Power Consumption Patterns Using Telemetry Data

本文通过分析英特尔遥测数据，挑战了硬件是决定功耗主要因素的传统观点，强调用户行为的关键作用，并借助探索性数据分析和线性模型揭示了中美两国的功耗模式，旨在为英特尔等利益相关者提供减少环境影响的改进方向。

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

发布于 2026-02-27

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一次**“电脑能耗侦探之旅”**。

想象一下，英特尔（Intel）拥有成千上万台电脑的使用数据，就像一位拥有无数监控摄像头的侦探。他们原本以为，电脑费不费电，主要看**“硬件”**（比如你买的是法拉利引擎还是拖拉机引擎）。

但经过一番深入调查，他们发现了一个惊人的真相：决定电脑费电程度的，往往不是“引擎”本身，而是“司机”怎么开车（用户的使用习惯）。

以下是这篇论文的通俗版解读：

1. 核心发现：司机比车更重要

旧观念：大家总觉得，只要换了更高级的硬件，电脑就会更省电；或者觉得费电是因为电脑配置太高。
新发现：研究人员对比了美国和中国的用户数据，发现中国用户的电脑平均耗电量几乎是美国用户的两倍！
关键点：即使把电脑硬件（比如 CPU 的功率限制）完全调成一样，中国用户依然比美国用户更“费电”。这说明，怎么使用电脑（用户行为）才是耗电的“幕后黑手”。

2. 中美“驾驶风格”大比拼

研究人员把美国和中国的用户比作两个不同的司机群体，发现了有趣的“驾驶习惯”差异：

时间节奏不同：
- 美国司机：像“晨练族”。早上 8 点最活跃（耗电量最高），然后随着一天过去，大家下班休息，电脑慢慢“熄火”，晚上耗电量很低。
- 中国司机：像“夜猫子”。白天还在慢慢热身，越到晚上越精神，耗电量一路飙升，直到深夜才达到顶峰。
周末模式：
- 美国：周六周日大家去户外玩了，电脑耗电量明显下降（有个大低谷）。
- 中国：周末和平时没什么两样，大家周末也照样在电脑前“肝”游戏或工作，耗电量一直很高。
硬件偏好：
- 虽然中国用户用的电脑硬件（比如显卡、CPU）确实普遍比美国用户“强壮”一点（功率更大），但这只能解释一小部分差异。剩下的巨大差距，全是使用习惯造成的。

3. 为什么中国用户更“费电”？

这就好比两个人都开着同样的车，一个人只是用来买菜（省电），另一个人却用来飙车、开空调、放超大音量（费电）。

软件“油耗”不同：研究发现，中国用户常用的某些视频和直播平台（比如斗鱼、Bilibili、爱奇艺），在技术实现上比较“笨拙”。它们没有充分利用电脑硬件自带的“节能加速功能”（硬件解码），而是让 CPU 拼命干活。
- 比喻：这就好比明明有自动档的省油模式，这些软件却非要你一直踩着油门手动换挡，导致电脑“累得满头大汗”，电费蹭蹭涨。
游戏与娱乐：虽然游戏玩家确实费电，但研究发现，即使是普通用户，因为长时间观看视频、使用特定软件，累积下来的能耗也非常惊人。

4. 线性模型：给电脑“体检”

研究人员建立了一个数学模型（就像给电脑做全面体检），试图找出哪些因素最影响耗电量。

结果：在影响耗电的前 5 个因素中，有 3 个都和**“人怎么用它”**有关（比如：你是不是个游戏玩家、你主要用来上网还是写代码）。
启示：
- 浏览器很友好：用浏览器上网（云计算）其实比在本地运行大型软件更省电，因为数据中心的空调和电力管理更高效。
- 软件优化是关键：如果软件开发商能优化代码，利用硬件的节能功能，就能省下巨大的能源。

5. 这对我们意味着什么？

这篇论文给英特尔和所有科技公司提了个醒：

别只盯着硬件：光靠卖更省电的芯片是不够的，如果用户的使用习惯不改变，或者软件不优化，省下的电很快就被“挥霍”掉了。
软件优化是“绿色”捷径：通过改进软件（比如让视频网站自动开启硬件加速），可以像给汽车装上“节油器”一样，在不改变用户习惯的情况下，大幅减少碳排放。
未来目标：英特尔希望能根据这些发现，开发一种**“绿色模式”**，能实时监测并自动优化电脑的运行，让电脑在“干活”和“省电”之间找到最佳平衡点。

总结

这就好比**“环保不只是为了换一辆更省油的车，更重要的是改掉那些浪费油的驾驶习惯，并给汽车装上更聪明的导航系统。”**

这篇论文告诉我们，用户的行为习惯是决定电脑能耗的关键，而通过优化软件和使用习惯，我们可以在不牺牲性能的前提下，为地球减少大量的碳排放。

论文技术总结：基于遥测数据的功耗模式分析

1. 研究背景与问题定义

随着全球对碳排放和“碳足迹”关注的增加，减少能源消耗成为关键议题。传统观点认为，设备的功耗主要由硬件选择（如 CPU 型号、设备类型）决定。然而，本文挑战了这一普遍认知，提出用户行为可能是决定设备功耗更关键的因素。

研究旨在利用英特尔（Intel）的遥测数据，分析整机（Package）功耗模式，识别影响功耗的关键因素，并找出利益相关者（如英特尔、OEM 厂商）可以改进的领域，以有效减少环境影响。

2. 方法论 (Methodology)

2.1 数据集来源

数据来源：英特尔驱动与支持助手（IDSA）网站。用户在此更新驱动、BIOS 或固件时，可选择是否“加入”（Opt-In）发送遥测数据。
样本规模：研究使用了约 100 万个 GUID（全球唯一标识符）的样本，代表数百万台设备。
数据隐私：数据经过严格脱敏，不包含 IP、MAC 地址、序列号等个人身份信息（PII）。GUID 用于在时间维度上关联同一设备的行为。
数据粒度：主要为每日聚合数据（Daily Aggregates），包含约 1400 个设备特定参数（如 CPU 功耗、温度、网络流量、应用启动时间、Turbo 状态等）。

2.2 分析指标与预处理

归一化处理：
- 对同一天的多条记录采用加权平均（Weighted Mean），权重为样本数量。
- CPU 利用率归一化：考虑到核心数差异，将加权平均的 CPU 利用率乘以核心数，得到归一化 CPU 使用量（ $\eta = c \times \omega_u$ ），以此模拟单核系统下的工作负载。
核心指标：
- MUAP (Median User Average Power)：中位数用户平均功耗。计算步骤：先计算每个用户的日均功耗算术平均值，再按国家聚合，最后取中位数。
- Turbo 状态定义：若设备在当天的总使用时间中，有超过 10% 的时间处于 Turbo 模式，则标记为"Turbo-ed"。
- 工作强度：通过控制硬件（TDP）和 CPU 负载，比较不同群体的工作强度。

2.3 建模方法

线性模型：为了保持模型的可解释性，研究采用了 LASSO（最小绝对收缩和选择算子）和 线性回归 模型。
特征工程：从 5 个数据表中选取了 225 个参数，涵盖软件使用、网站使用、C-State、AC/DC 信息、系统信息及 CPU 包功耗。
训练策略：随机抽取 10,000 个 GUID，构建约 100 万条每日样本。80% 用于训练，20% 用于测试。
评估指标：均方误差（MSE）和决定系数（ $R^2$ ）。

3. 关键发现与结果 (Key Results)

3.1 国家间差异：美国 vs. 中国

研究重点对比了数据中占比最高的两个国家：美国（US）和中国（CN）。

MUAP 差异巨大：中国的 MUAP 为 11.74W，而美国仅为 6.4W。中国的平均功耗几乎是美国的两倍。
硬件因素无法完全解释差异：
- 尽管中国用户更多使用高 TDP（45-65W）设备，而美国更多使用轻薄本（15-45W），但在控制 TDP 后（例如仅比较 15-45W TDP 的设备），中国用户的功耗分布依然显著高于美国（右偏）。
- 即使在控制 CPU 家族（如 Core i7）和核心数后，差异依然存在。
时间模式差异：
- 美国：功耗在早晨（约 8 点）达到峰值，随后随时间推移逐渐下降；周末（周六、日）功耗显著降低。
- 中国：功耗随时间推移逐渐上升，在夜间达到峰值；周末与工作日无明显差异，全天保持高功耗。
OEM 厂商差异：在所有主要 OEM（如 HP, Dell, Lenovo 等）中，中国用户的平均功耗均高于美国用户。HP 的差异最大（6.47W），甚至包括游戏本厂商（MSI, Razer, Alienware）也存在显著差异。

3.2 工作强度与 Turbo 状态

Turbo 状态：当设备处于 Turbo 模式时，中美用户的功耗分布差异反而更大。这表明差异并非仅由非 Turbo 状态驱动，而是高频 Turbo 使用或 Turbo 期间的行为模式不同所致。
单位负载功耗：在相同的归一化 CPU 使用量下，中国用户消耗的功率更高，表明其工作负载的“功率密度”更高。

3.3 线性模型分析

模型表现：LASSO 模型在测试集上的 $R^2$ 为 0.33。考虑到遥测数据未包含所有潜在影响因素，这一结果具有显著意义。
关键特征：前 5 个绝对系数最大的特征中，有 3 个与用户行为相关：
1. CPU 归一化使用量 (C-state)：系数 1.24
2. 核心数：系数 0.58
3. 用户画像 - 游戏玩家 (Gamer)：系数 0.42
- 值得注意的是，Web 用户 (Web User) 的系数为负（-0.22），表明基于浏览器的任务能耗较低。
软件能耗排名：
- 最高功耗软件类别：游戏（休闲/在线/离线）、其他、多媒体编辑、仿真/VR、开发编程。
- 总能耗贡献：游戏类依然最高，其次是“其他”和“开发编程”。

3.4 具体案例验证

英特尔内部调查证实了部分发现：

中国流行的直播平台（如 DouYu）未利用英特尔的 Si Hardware-based DRA（动态速率调整），导致功耗过高。
视频平台（如 Bilibili, IQIYI）未使用高效编解码器，导致在相同硬件上功耗显著高于其他网站。

4. 主要贡献 (Contributions)

挑战传统认知：证明了用户行为（如使用习惯、软件选择、使用时长）对功耗的影响可能超过硬件选择本身。
揭示区域差异：量化了中国与美国在功耗模式上的巨大差异，指出中国用户不仅使用时间长，且单位时间内的功耗强度更高。
行为驱动优化：通过线性模型识别出关键的行为特征（如游戏、特定视频网站的使用），为软件优化提供了明确方向。
具体行动建议：
- 推广基于 Web 的应用（云原生），利用数据中心的能效优势。
- 针对高能耗软件（如未优化编解码的视频平台、游戏）进行特定优化。
- 指导用户调整使用习惯（如减少夜间高负载运行）。

5. 意义与未来展望 (Significance & Future Work)

环境意义：研究直接支持英特尔 2030 可持续发展目标。通过理解并优化用户行为，可以在不改变硬件的前提下显著降低碳排放。
商业价值：为 OEM 厂商和软件开发者提供了具体的优化切入点（例如优化视频编解码、改进游戏引擎能效）。
局限性：目前主要基于每日聚合数据，丢失了部分细粒度时间信息。
未来工作：
- 扩大研究范围至更多地区。
- 结合不同国家每瓦时（Wh）对应的碳排放因子。
- 开发更复杂的模型，旨在实现实时的“绿色模式”（Green Mode），动态优化功耗。

总结：本文通过大规模遥测数据分析，有力地证明了用户行为是决定设备功耗的关键变量。这一发现为通过软件优化、用户引导和特定场景（如视频流媒体）的改进来降低全球碳足迹提供了科学依据和可行路径。