1、嵌入式系統(tǒng)設(shè)計者在以往設(shè)計過程中，通常只考慮到系統(tǒng)的穩(wěn)定性、實時性等，但現(xiàn)在卻面臨著一個新的挑戰(zhàn)一降低系統(tǒng)的功耗。嵌入式系統(tǒng)的功耗可以在靜態(tài)和動態(tài)兩個技術(shù)范疇內(nèi)來降低，其中靜態(tài)設(shè)計技術(shù)是降低功耗的主要手段，然而隨著系統(tǒng)功能增強(qiáng)和集成度的提高，靜態(tài)技術(shù)已經(jīng)不能完全滿足系統(tǒng)對功耗的要求，最近的研究都集中于動態(tài)的低功耗設(shè)計技術(shù)，即動態(tài)電源管理(Dynamic Power Management，DPM)和動態(tài)電壓調(diào)節(jié)(Dynamic Volta

2、ge Scaling，DVS)兩種主流技術(shù)。本論文在對DPM和DVS進(jìn)行分析研究的基礎(chǔ)上，提出了多種不同類型的動態(tài)低功耗策略，以使所采用的設(shè)計策略能夠適用于不同的應(yīng)用環(huán)境。 DPM技術(shù)降低系統(tǒng)功耗的主要辦法是根據(jù)工作負(fù)載的變化來動態(tài)切換目標(biāo)設(shè)備工作模式。本文利用電池使用過程中所具有的非理想特性，提出了CVAAs(Critical VoltageAreaAdaptive Skill)自適應(yīng)超時策略，該策略通過引入電池因素，在進(jìn)一步

3、降低系統(tǒng)功耗的同時擴(kuò)展了DPM自適應(yīng)對象的范疇。針對ALT(AdaptiveLearning Tree)模型的缺陷，本文提出了PBALT(Probability-Based AdaptiveLealning Tree)預(yù)測策略，該策略通過概率來描述設(shè)備行為，能夠提高預(yù)測正確率，從而達(dá)到系統(tǒng)功耗與性能之間的優(yōu)化平衡。另外，通過分析發(fā)現(xiàn)傳統(tǒng)DPM策略僅僅建立在對目標(biāo)設(shè)備任務(wù)請求進(jìn)行觀測的基礎(chǔ)上，并沒有利用操作系統(tǒng)的額外信息，為此本文在任務(wù)層

4、次提出了一種在線設(shè)備調(diào)度策略EODSA(Energy Optimal Device Scheduling AIgorithm)，其通過對任務(wù)請求源進(jìn)行劃分以及系統(tǒng)級建模，能夠提供功耗管理單元更多有關(guān)將來的設(shè)備請求信息，從而更有效的降低系統(tǒng)功耗。 對于嵌入式實時系統(tǒng)，DPM因無法滿足實時性的要求而難以適用，DVS技術(shù)則能夠很好的解決此類系統(tǒng)中性能與功耗的要求。本文在理論證明的基礎(chǔ)上提出了一種針對瞬態(tài)任務(wù)組實現(xiàn)系統(tǒng)能耗最優(yōu)化的動態(tài)電

5、壓調(diào)節(jié)模型EOVSM(Energy Optimal Voltage Scaling Model)及其次優(yōu)化模型ESOVSM(：Energy Sub-Optimal Voltage Scaling Model)，實驗結(jié)果表明這兩種模型在保證任務(wù)實時性的同時能夠顯著降低系統(tǒng)功耗。 為了將DPM與DVs進(jìn)行有效的結(jié)合，本文基于EOVSM/ESOVSM模型以及任務(wù)重組原理，針對由瞬態(tài)任務(wù)和周期性任務(wù)所組成的系統(tǒng)設(shè)計了一種電壓調(diào)節(jié)策略EC