移动应用能耗分类研究：多类算法分析与机器学习模型开发

沙特国王大学学报根据能耗对移动应用进行多类分类Deepti MehrotraSohara，Rashi Srivastava，Renuka Nagpal，Deepshikha Nagpal印度北方邦爱德大学阿提奇莱因福奥文章历史记录：2018年1月18日收到2018年5月15日修订2018年5月16日接受2018年5月19日在线提供保留字：移动应用Powertutor多类分类R工具能耗A B S T R A C T今天，即使是常用的智能手机也具有很高的计算能力和存储容量，这使得它们甚至可以执行资源密集型操作。计算能力的提高和通信功能的变化，导致了这些设备能量需求的增加。移动计算的日益普及总是与其电池寿命有关。为了研究功耗模式，在不同环境下对一些流行的移动应用进行了实验。记录应用程序使用的能量，并将其用作训练集以开发机器学习模型，该模型使用分类方法将这些移动应用程序根据其能量使用分为三类，即低，中和高。探索各种多类分类算法，以找到最准确的模型，可用于分类的移动应用程序。每天都有一个新的移动应用程序被创建，以满足广泛的应用程序。这些应用程序具有新的和更多的交互式功能，并消耗相对高的能量来执行，导致电池的消耗本研究中开发的机器学习模型背后的逻辑推理的详细分析将为设计人员提供更深入的移动应用程序类型及其功率使用模式的见解。©2018制作和主办由Elsevier B.V.代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍智能手机的日益普及和使用的应用程序的巨大多样性受到限制的事实是，他们运行的电池具有有限的容量。智能手机的多功能性随着智能手机设计的改进和最新硬件组件（如LCD、摄像头、传感器、无线电和处理器）的加入而增强。所有这些组件都需要电源，并增加了复杂性、尺寸和功能移动应用的普及也增强了人们对能源的渴求（郝例如，2013年）。 如今，移动应用程序的需求和类型正在迅速变化，几乎每天都有新的应用程序，*通讯作者。电子邮件地址：mehdeepti@gmail.com（D.Mehrotra），srashi1994@gmail.com （ R.Srivastava ） ， rnagpal1@amity.edu （ R.Nagpal ） ，deepshikha. gmail.com（D.Nagpal）。沙特国王大学负责同行审查推出了新颖而有用的功能，人们可以很容易地看到Play商店（GooglePlay）中提供的大量移动应用程序。此外，每天都会有各种更新，新版本的移动设备通常会扩展其适用性，并且比以前的版本需要更多的能量。这将导致在用于吸引用户的新特征与可能降低功能性的增加能量成本之间的折衷情况。智能手机的功耗限制了设备在两次充电之间的工作时间。在没有剩余电力的情况下，客户端无法使用其设备，并且经常在没有任何连接的情况下陷入困境。在各个层面节约能源是当今的需要，并被从事绿色采矿的专家所利用（Hindle，2012）。任何应用程序的能耗取决于应用程序中涉及的功能和计算。即使对于相同类型的应用，如浏览电子邮件，能量使用也随着用于浏览的应用和服务器而显著变化。设备中使用的处理器和其他硬件的类型也会影响能源使用量。在给定的移动设备中，如果执行相同的应用程序，通过改变系统设置，例如，数据连接的类型等， 观察到能量使用的相当大的变化。应用的选择和工作环境的设置可以通过https://doi.org/10.1016/j.jksuci.2018.05.0071319-1578/©2018由Elsevier B. V.代表沙特国王大学制作和主办。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com公司简介720D. Mehrotra等人 /Journal of King Saud University- Computer and Information Sciences 33（2021）719- 727在用户层面上。使用监督学习方法确定关于应用类型和设置的能源使用模式将有助于发现能源使用背后隐藏的原因。本文使用多类监督学习方法来训练机器学习模型，该模型可以预测任何应用程序的能源使用分为三类，即低，中，高。为了开发预测模型，我们在90个不同的Android应用程序上监测了414个测试用例的能耗对采集的数据进行预处理，作为机器学习工具的训练集能量在不同的粒度级别上被跟踪，范围从整个应用级别到LCD、通信源和处理器的能量使用。主要目标是找到消耗最多功率并最终导致电池耗尽的挑战性应用。 使用工具Power-Tutor（Gordon等人，2010），用于给出单个应用的能量和功率测量的Android应用。已采用分类技术，并使用准确度和混淆矩阵模型确定了其中最佳的分类技术全文共分为七个部分。第2节讨论了移动应用程序的能耗相关研究，以及本研究中使用的多类分类算法。第3节讨论了本研究主要数据集的创建。第4节介绍了数据预处理，其中k均值聚类用于分配类别标签，并且在第5节中讨论了每个聚类的能量第6节包括使用五种不同的机器学习分类算法设计分类模型第七部分是全文的结论，并对论文中引用的文献进行了引用.2. 相关工作移动应用程序的日益普及及其对电池寿命的依赖性吸引了研究人员广泛研究可以改变移动电池寿命的各种因素 Ahmad等人，2015年，2017年对移动应用中的功耗建模方案进行了全面的文献综述，包括硬件和软件分析。 Wilke等人， 2013年的研究发现，移动应用程序的用户评级受到其能源效率的显著影响。 Li等， 2014年比较了不同类型应用的能源消耗，发现能源消耗模式有很好的分流。用户必须知道哪个应用程序比其他应用程序消耗更多的功率，以便做出明智的选择。估计智能手机的能量需求在硬件和软件方面都得到了广泛的研究。Blume等人， 2007年研究了制造节能设备的硬件方面。Shuja等人，2016; Fernando et al.，2013年; Liu等人，数据挖掘被广泛用于预测使用模式和用户对移动应用程序使用的偏好（Cao和Lin，2017; Liu等人，2017年）。移动应用程序按其功能分为不同的类别。Huang等人，2012基于应用程序的上下文预测用户的使用。Petsas等人，2017年进行预测分析，有助于应用商店设计师改善内容交付和开发推荐系统;还帮助应用开发人员选择适当的定价政策，以提高他们的收入。Cao和Lin，2017年对与移动应用程序相关的不同维度的数据挖掘的使用进行了广泛的调查。Martin等人，2016年实施了数据挖掘方法来分析应用程序商店的性能。监督分类方法旨在从标记的训练数据集构建学习模型，其使得能够对具有未知标记的新对象进行分类（Wu等人，2008年）。分类在训练数据集上工作，并将实例分配给它所属的特定类，具有较低的错误率。这是一个三步过程：1. 首先，通过在训练数据集上使用分类算法来创建模型。2. 模型针对预定义的数据集进行测试，以确定模型的准确性和正确性3. 最后，未标记的数据被认为是输入和类被预测作为输出。多类分类与二分类的不同之处在于输出类的数量。这里，给定的预测器属性集用于将其与有限的类别（类）集映射，即，每个输入被分类为可能的目标类之一（Kotecha等人，2011; Spangler等人，1999年）。同时考虑多个类别，它比只涉及两个类别的二元分类复杂（Grice和Iwasaki，2007）。在本文中，五个主要的分类技术已经实现和模型的正确性和准确性进行了验证，使用“混淆矩阵”算法。用于分类的各种技术包括：2.1. 贝叶斯分类贝叶斯分类技术使用朴素贝叶斯算法，它与贝叶斯定理密切相关。当 输 入 的 维 度 很 高 时 ， 朴 素 贝 叶 斯 算 法 非 常 适 合 （ Kruschke 和Liddell，2017; Sweet，2017）。朴素贝叶斯算法有助于识别自变量，并显示数据集的一个特征如何独立于另一个特征。最终结果取决于变量，但每个变量都独立于其他变量。所使用的概率函数由Eq.（一）.2015;Hoque等人，2016年; Bedregal和Gutierrez，2013年研究了软件维度，为应用程序设计人员提供反馈，以优化能耗。 Pananilath等人，P cj xPcjxPcð1Þ2015年探讨了规范设计对总能耗的影响。在研究中，他们发现，函数和类的最佳使用以及它们之间的距离对代码的性能有很大的贡献。然而，Li等人，Li和Halfond在2014年观察到，软件工程师和应用程序设计师缺乏关于节能的目标和独特数据。 Liu等人， 2014年创建了一个应用程序，用于诊断导致功率消耗的移动应用程序的低效率。由于移动行业在软件和硬件方面都发生了巨大变化，因此功率建模工具也需要更新以满足技术的升级（Yoon等人， 2017年）。P（c| x）是给定预处理的类（目标）的后验概率，dictor（attribute）.P（c）是类的先验概率P（x| c）是可能性，它是给定类别的预测器的概率。● P（x）是预测子的先验概率2.2. k近邻分类k-最近邻（k-NN）是最古老和最流行的分类算法之一。它可以用于两个分类-●●●精确查全率精密度¼Xl1/1D. Mehrotra等人 /沙特国王大学学报-计算机与信息科学33（2021）719-727721也用于回归，但广泛用于分类。该算法背后的主要思想是选择k的值来找到边界或最近邻（Wu等人，2008年）。 简单，易于实施，计算时间短，易于解释是促成的因素它的广泛使用。它也被称为基于记忆的分类，因为训练样本需要在记忆中，运行时间。2.3. 决策树分类决策树提供了对多阶段数据集的分析。 除了分类之外，它还对表单中的实例进行排序树的特征值。在决策树分类中形成的树包含节点和分支。 树的节点表示要分类的特征，并且分支表示节点的特征的假定值。决策树是由数据集的递归分区形成的。根的选择是根据一些标准，如信息增益，增益比等，分类，然后按照根节点和过程继续为每个孩子。在此步骤之后，进行修剪步骤，以修剪或剪短树，并移除树的不相关分支，从而减少树size影响因素的顺序随着从根节点到叶节点的移动而降低，因此根节点是最有影响的因素。设计决策树涉及从根节点开始制作问题，然后根据答案决定左节点或右节点的值。 同样，下一个问题被提出，答案决定放在左/右节点。这个过程一直持续到得出关于记录的类标签的结论。研究中实现的两种决策树类型是2.4. J48算法步骤一曰：构建阶段重复以下两个步骤，直到规则集的判断长度比目前为止的最小判断长度大64位增长阶段：通过添加条件生成贪婪规则，直到准确率达到100%。选择具有最高信息增益的属性Prune阶段：增量地修剪每个规则。步骤2：优化阶段生成并修剪初始规则的两个变体，其中一个来自空规则，另一个来自向初始规则添加条件的greatest。计算三个变量的离散长度，并选择3.消除删除会增加整个规则描述长度的规则通过对模型精度的衡量，选择最佳模型。测试可以通过将数据集分离为训练和测试数据集或测试外部数据来完成本文使用混淆矩阵来验证和预测分类模型的准确性。混淆矩阵（Visa等人，2011）将模型预测与聚集值表中的地面实况标签进行对比。它有效地总结了性能，聚合值可能会掩盖有关模型行为的相关信息分类器模型的评估由以下给出的准确度;精密度; F-评分（Visa等人，2011）等式给出。分类准确度=正确预测/总预测XLtpitni¼J48是一种决策树分类算法（Ali等人，2012年）。它是由WEKA项目团队开发的ID3算法的实现决策树背后的主要思想是信息增益，它给出了可以从数据集中获得的数据量。准确度i<$1tpifnifpitniL计算多类中Fscore的公式：2Fscorellb2查准率l查全率lð2Þð3ÞXLTP分类准确性的显著提高是由于生长了一系列树，并让它们投票选出最受欢迎的类。为了增长这些集合，通常生成的随机向量控制集合中每棵树的增长（Breiman，2001）。最准确的树是从所有这些树中选出的，称为随机森林分类器。2.6. 规则归纳规则归纳是机器学习的一个重要领域，它将隐藏的规则作为给定数据集的规则Rweka包的JRip类已经在数据集上实现这个类实现了一个命题规则学习器，重复增量剪枝产生错误减少（RIPPER），它是由Cohen（1995）作为IREP的优化版本提出的。RIPPER类被认为是最强大的规则归纳类i1pifni为了进一步验证，进行了kappa统计Kappa是具有以下期望属性的指数家族的成员I. Kappa = 1;如果分类是完美的。II. Kappa > 0;如果观察到的正确比例大于预期的正确比例，则是由于偶然性。III. Kappa = 0;如果观察到的正确比例等于预期的正确比例（由于偶然性）。IV. Kappa 0;如果观察到的正确比例小于预期的正确比例，则为偶然。在本文中，数据集被创建用于记录不同移动应用的能源使用虽然文献综述表明功耗取决于软件、硬件和网络连接等各种因素。参数的选择是在查看用户可以在他的给定移动设备中设置的那些选项/设置时完成的。●●2.5. 随机森林我ð4Þ722D. Mehrotra等人 /Journal of King Saud University- Computer and Information Sciences 33（2021）719- 7273. 数据集该研究的数据集是通过记录不同android应用程序的功耗来收集的。六种流行的手机应用程序被考虑进行试验。在每个类别中，检查各种应用程序，例如针对四种不同的应用程序（即Wynk，Gaana，Saavn，Spotyfi）监控功耗，这些应用程序具有相同的听音乐功能本研究共考虑90项申请，大致分为六个类别，载于表1。设置和网络连接也会显著影响应用程序的能源使用。通过将网络连接从Wifi改变为移动数据，反之亦然，使同步或更新打开或关闭，这些应用程序在不同的环境中执行。考虑了可能影响能耗的10个预测因子属性的集合，并记录了每种情况下的相应值。属性包括应用程序名称、应用程序类别、总功耗、LCD功耗、处理器功耗、通信功耗、执行应用程序所需的RAM、WiFi状态、移动数据状态、同步状态和更新状态。总共收集了414个测试用例的观察结果，并用于训练分类器。除了总功耗外，还需要进行粒度能源使用分析;一个名为PowerTutor的Android应用 程 序 用 于 进 行 实 验 。 该 工 具 由 博士 设 计 。 密 歇 根 大 学 的 学 生（Gordon等人，2010年），并可作为Android应用程序在谷歌播放商店。该应用程序的界面如图1所示。每个应用程序执行大约5分钟5次，所有的平均值记录在数据集中。收集的数据存储在Excel表格中，其中包含数值测量值和二进制值，如Wi-Fi、同步、移动数据，打开和关闭更新。该研究的实验是设备和网络连接，依赖性。因此，一个常用的智能手机与fea-表2Fig. 1.电源导师应用程序接口。使用表2中给出的方法此外，相同的服务提供商用于为所有实验提供移动数据和Wifi连接。保持硬件和网络连接维度相同有助于我们了解软件对能耗的影响。目标标签没有在数据中预先定义，在下一节中，使用聚类方法对数据进行预处理，用于对应用进行分组并为它们设置标签4. 数据预处理在前一节中收集的数据集未标记。本文采用的预处理方法是无监督学习技术，即聚类.它将移动应用程序组织成具有高相似性的组，而不指定组进行实验时考虑的移动电话功能电池电压3.67 V额定电压3.7 V电池类型不可拆卸锂离子4000 mAh后置摄像头-正面RAM 3.00 GB移动数据5.3 MbpsWi-Fi 510 Kbps先验地为训练数据集提供标签（Thaseen和Kumar，2017）。使用轮廓法（silhouette method）（Risseeuw，1987）确定的最佳聚类数为3。平均轮廓宽度在表3中提供;观察到，对于k = 3，其为0.58，这高于k的其他值，如4、5等。表1研究考虑的不同类别的应用类别描述示例数量应用原生/内置包括智能手机中提供的原生或内置应用程序，通常这些应用程序不需要使用互联网计算器，时钟，笔记12工具包含的应用程序，作为一种工具，并在所有的过程北极星办公室，WPS办公室14援助娱乐应用程序作为一个来源的娱乐形式的多媒体或游戏被认为是Youtube，wynk，gaana 15社交媒体包含用于任何形式的通信的所有应用程序发短信，聊天，打电话16教育包含所有通过视频、音频或图形TOI，TED 15广告包含所有电子商务网站，提供某种类型的服务，如食品，服装，旅游Foodpanda，Myntra，Jugnoo 18D. Mehrotra等人 /沙特国王大学学报-计算机与信息科学33（2021）719-727723表3不同簇数的平均侧面影像宽度。k值平均轮廓宽度30.5840.5350.49图二. 分发不同类别的应用程序。因此，数据集被分为三个集群，并在本文中被称为，高，中，低。聚类名称作为标签添加到数据集中，现在处理数据集以训练分类器模型。给定集群中不同类别应用程序的分布如图所示。 二、与工具相关的应用与广告相关的应用需要高能量，并且对标记为高的聚类给出最大贡献，对标记为低的聚类给出最小贡献。与教育相关的应用属于中等集群。应用程序类别在不同集群中的分布反映了除了功能之外，还有其他因素对能源使用有显著影响。因此，在本研究中，改变了执行应用程序时的工作环境，并监测了效果。每个移动应用程序在执行时主要消耗能量用于处理、通信和显示结果，因此在下一节中完成给定集群的5. 分析移动应用在本节中，分析能量使用，这为开发人员提供了一个洞察力，重点是提高移动应用程序的能源效率。每种应用都需要能量来实现不同的功能。CPU进行数据处理，LCD显示输出，通信介质提供连接所需的能量给定集群的能量消耗的分布为设计者提供了清楚的输入，例如什么类型的处理需要多少功率，使得他们可以优化代码，从而降低总体能量需求。绘制箱形图以显示分布的属性，例如散布、偏度以及多个分布之间的比较。根据应用类别，分别绘制了处理器、通信能量（包括Wi-Fi和移动数据的总和）、LCD的箱形图是具有五个值的图形图，即最小值下限、四分位数下限、平均值上限、四分位数上限和最大值上限。框线之间的间距指示一个样品的强度值的散布或分散程度。图三. 按处理器划分的能源使用情况的聚类箱形图。5.1. 处理器能耗图3中所示的三个箱形图表示处理器如何使用能量来执行给定集群中的应用在低聚类的箱形图中，下须和第一四分位数重合，因此下四分位数等于所用功效的最小值。中、高集群呈现出扩散和分布的大致正常。5.2. 通信能量图图4表示所有三个集群的移动应用所消耗的通信能量的分布的箱形图。低集群的功率需求由线表示，即该集群中几乎所有应用都需要非常少且几乎相同的能量用于通信。这些应用程序包括不需要网络连接的内置应用程序或工具。对于中型集群，分布偏向低值，因此几乎大多数应用需要较少的能量，但也有一些特别大的应用。在高簇介质中，介质朝向上须，因此大多数应用需要高能量，并且平均值将小于介质，但具有最大扩展，即，大变量，在不同的应用中，通信能源5.3. LCD图5中的箱形图描绘了执行不同应用程序时的LCD消耗。集群3中显示的高LCD消耗包括需要大量能量的游戏、视频和电影等应用，并且箱形图偏向上须。通过这一部分，很明显，LCD能源使用的集群高贡献更多的上四分位数和相同的模式中观察到的通信能源。低集群显示处理器能量需求的最大分布。该模型需要预测能源使用情况;下一节将对使用五种不同方法开发的模型进行评估。见图4。 通信能源使用的聚类箱形图。724D. Mehrotra等人 /Journal of King Saud University- Computer and Information Sciences 33（2021）719- 727图五.按LCD显示的能源使用情况的聚类箱形图。6. 使用机器学习分类器进行在本文中，分类是在第3节中收集的数据集上进行的。在预处理阶段，将移动应用程序分为三组，即高、低和中。实现了第2节中讨论的五种分类方法在Rtool（R和数据挖掘）中，并在本节中讨论所获得的结果。R是一个开源的、广泛使用的数据挖掘工具并且可以支持任何大小的数据集。6.1. 贝叶斯分类朴素贝叶斯分类提供了给定因子相对于给定分类器的概率分布。例如见图6。 朴素贝叶斯输出矩阵。属于高、低、中集群的给定类别的应用的概率在下面的图6中给出图 6显示了第6类应用程序。与广告相关的应用程序对高聚类的贡献最大，而类别2“工具应用程序”对低聚类的贡献最大属于类别3的与娱乐相关的应用程序这些应用通常涉及消耗更多功率的多媒体。第4类和第5类应用程序分布在所有三个集群中，并取决于工作环境或单个应用程序。6.2. k近邻分类k-NN顾名思义，它使用多个邻居来查找变量的类。k用于定义类边界。随着k值的增加，边界变得更加突出和平滑。在图7所示的k-NN中确定k的值;因此，将训练数据的类分配给最接近相应k的值的类。考虑了给出最佳预测模型精度的k = 5的值。该模型的总体准确率为76.28%。6.3. 决策树分类在本研究中构建的两个决策树是随机森林和J48，下面讨论。6.3.1. 随机森林图8显示了变量的重要性。据观察，电流功率是数据集的最重要属性。第二好的是能量，然后是其他。最不重要的属性是CPU6.3.2. J48决策树LCD中的属性能量使用包含更多信息，因此它被选为第一个分割标准。 阅读图中的图表。 9可以注意到，如果LCD中的能量使用小于或等于0，则它检查3G中最后一分钟的能量使用，如果它低于7.2，则200个应用案例中有29个属于低类别。类似地，整个图被预测为见图7。 k值用于k-NN分类器。D. Mehrotra等人 /沙特国王大学学报-计算机与信息科学33（2021）719-727725见图8。随机森林的变量重要性图。6.4. 规则归纳见图9。 J48决策树分类器。JRIP规则给定数据集的规则归纳算法的输出给出了以下表4表示规则中分类错误的实例。1.如果LCD能量= 0J且通信能量（移动数据或WiFi）= 6.3J那么集群级别=低2.如果WiFi = ON且LCD能量= 16.5J且CPU能量<= 10.8J那么集群级别=低3.如果LCD能量= 20.1J且RAM使用= 203 MB，则群集级别=中4.如果通信能量= 17.4J且LCD能量<= 37.8J且RAM使用= 106然后群集级别=中5.其他集群级别=高规则编号规则所涉案件数目被规则准确性（百分比）规则174297.29规则214285.71第3982177.55第428292.85第51865469.89726D. Mehrotra等人 /Journal of King Saud University- Computer and Information Sciences 33（2021）719- 727表5分类器的精度矩阵技术KNN朴素贝叶斯随机森林J48决策树规则归纳精度0.760.820.970.930.72准确度-高标签0.790.890.980.970.92准确度-介质标签0.740.840.970.920.74准确度-低标签0.750.860.990.940. 71精密度-高标签10.8810.900.75精密度-中等标签0.610.690.960.900.60精密度-低标签0.5710.9411F值-高标签0.860.860.980.950.86F值-中等标号0.670.780.950.900.66F值-低标签0.620.850.970.940.59Kappa统计0.630.760.950.890.57第一条规则描述了如果LCD关闭，即LCD的能量为零并且通信能量小于6.3 J;则集群级别为低。同样，还有四条更突出的规则。这些规则帮助我们找到应用程序或任何外部数据应用程序（如果引入）的类别。表4给出了各种规则的准确性。6.5. 确定最佳模型测试了五个分类器的准确度，并将其输出汇总在表5中。表5表明，在所有五种分类模型中，随机测试模型给出了最好的准确性。分类器的准确度矩阵的图形表示如图所示。 10个。使用随机森林开发的模型被用来预测六个新应用的能源标签。记录数据并将其作为模型的输入，机器学习模型的输出将预测能源标签，如下表6所示7. 结论智能手机是一个小时的需要，电池是一个必不可少的组成部分，以实现智能手机的目的，见图10。分类器精度矩阵的图形表示随时随地进行计算和通信。但任何智能手机的可用性都将受到电池寿命的限制软件工程师和硬件工程师总是希望分别关于能量消耗来优化软件代码和硬件设计因此，大量的研究是做，以寻找因素，可以回答上述问题仍然是难以捉摸的。对本研究考虑的77个移动应用程序进行的多类分类分析应用程序根据其能源使用情况进行聚类。能量分析反映出低集群需要最大的CPU处理能量，因为功能增加和应用程序需要更多的通信资源来执行在中等集群中贡献显著。LCD能量使用在高集群中最高，即，具有多媒体或LCD功能的应用有助于该应用。本研究有助于了解能源使用行为，并将研究延伸至发展预测模式，以预测能源使用类别。使用流行的数据挖掘技术开发了一种监督机器学习模型，以根据其能耗对应用程序进行标记申请分为三类，即低、中、高。文献中有许多分类器算法;本文的目标之一是通过找到所有机器学习分类器的准确率模型来在这项研究中，所有五种不同的分类算法的比较分析本研究的结论是，随机森林是最好的多类分类器的分类精度，F值。有助于对移动应用程序进行分类的最重要因素之一通知和同步对系统的贡献不大。除了生成机器学习模型之外，研究还有助于识别消耗高水平能量的移动应用程序，并且能量分析反映了可能的原因。这些结果和分析为开发人员和那些致力于以各种可能的方式转换能量的人提供了有趣的见解。这项工作可以扩展到开发一个智能的表6外部数据输入。应用程序名称类别功率LCDCPU通信RAM随机功耗（mW）能量（J）能量（J）能量（J）使用量（MB）森林分类器爬坡赛车娱乐55644.09.40123介质ALT Balaji娱乐80122.33.817.481.26高Coursera教育43828.79.1068.99介质BigBasket广告42134.45.1040.78介质OLX广告66526.86.434.549.86高时事教育23900.76.827.25低D. Mehrotra等人 /沙特国王大学学报-计算机与信息科学33（2021）719-727727可以预测具有高功耗的移动应用的应用还建议设置中的某些改变，从而导致功耗的降低，并且通过感测电池寿命来警告用户因此，全面的研究有助于开发人员了解功耗模式，并创建移动应用程序，降低功耗。该模型可用于预测一组新应用的能耗水平。引用Ahmad，R.W.例如，2017.智能手机应用的能量估计和功耗建模方案综述。国际通信杂志系统30（11）。网址：//doi. org/10.1002/dac.3234。Ahmad，R.W.，Gani，A.，哈米德，S.H.A.，Xia，F.，中国农业大学，设拉子，M.，2015年。移动应用能量分析综述：分类、最J.网络计算Appl.58，42-59.https://doi.org/10.1016/j的网站。jnca.2015.09.002网站。阿里，J.， 汗河， 艾哈迈德，N.， 马克苏岛 2012. 随机森林和决策树IJCSI Int. J. Comput. Sci. Issues 9（5），272-278.Bedregal，J.C.V.，Gutierrez，E.G.C.，2013.优化移动设备中每个应用的能耗。In：Proceedings of IEEE International Conference on Information Society （ i-Society），Toronto，ON，Canada.Blume，H.，Becker，D.，罗滕贝格湖Botteck，M.，Brakensiek，J.，Noll，T.G.， 2007.嵌入式和异构处理器架构的混合功能级和功能级功耗建模。J. Syst. Archit. 53（10），689-702。网址：http：//doi.org/10.1016/j.sysarc.2007.01.002布莱曼湖，2001.随机森林马赫学习. 45（1），5-32。https://doi.org/ 10.1023/A：1010933404324。曹，H.，Lin，M.，2017.智能手机数据挖掘应用程序使用预测和建议：一项调查。无处不在的暴徒。Comput. 37，1-22。https://doi.org/10.1016/j.pmcj.2017.01.007.Cohen，W. W.（1995年）。快速有效的规则归纳。第十二届机器学习国际会议论文集，加利福尼亚州塔霍市。10.1016/ B978-1-55860-377-6.50023-2。Fernando，N.，Loke，S.W.，Rahayu，W.，2013年。移动云计算：一项调查。FUT.通用计算。syst.29（1），84-106。https://doi.org/10.1016/j.future.2012.05.023.谷歌播放.检索形式：https://play.google.com/store戈登·M Zhang L.，蒂瓦纳湾，2010.基于Android的移动平台的电源监控器。检索自：http://ziyang.eecs.umich.edu/projects/powertutor/格 莱斯 ，J.W. ， 岩崎 ， M. ， 2007. MANOVA 的 真正 多变 量方 法。 应用 多变 量。https://pdfs.semanticscholar.org/a078/Res. 12 (3), 199–226Hao，S.，Li，D.，Halfond，W. G.，Govindan河，2013.使用程序分析估算移动应用程序的能耗。在：第35届IEEE软件工程国际会议（ICSE），旧金山，加利福尼亚州，美国。Hindle，A.，2012.绿色采矿：一种将软件变更与功耗联系起来的方法。在：第九届IEEE采矿软件库工作会议，苏黎世，瑞士。Hoque，文学硕士，Siekkinen，M.，Khan，K.N.，肖，Y.，Tarkoma，S.，2016.建模 、 分 析 和 调 试 移 动 设 备 的 能 耗 。 ACM 计 算 监 视 器 （ CSUR ） 48 （ 3 ） .https://doi.org/10.1145/2840723网站。黄，K.，张，C.，妈，X.，&Chen，G. 2012.使用上下文信息预测移动应用程序使用情况 。 2012 年 ACM 普 适 计 算 会 议 论 文 集 ， 宾 夕 法 尼 亚 州 匹 兹 堡 。 doi ： 10.1145/2370216.2370442。科特查河Ukani，V.，加格，S.，2011.数据挖掘中多类分类技术的实证分析。在Nirma大学国 际 工 程 会 议 （ NUiCONE ） ， 艾 哈 迈 达 巴 德 ， 古 吉 拉 特 。 doi ：10.1109/NUiConE.2011.6153244。Kruschke，J.K.，Liddell，T. M.，2017年。新来者的贝叶斯数据分析精神病Bull.Rev.https://doi.org/10.3758/s13423-017-1272-1网站。Li，D.，Halfond，W. G.，2014. android智能手机应用程序开发的节能编程实践研究。在：第三届绿色和可持续软件国际研讨会，ACM，海得拉巴，印度。doi：10.1145/2593743.2593750。Li，D.，Hao，S.，Gui，J.，Halfond，W. G.，2014. android应用程序能耗实证研究。IEEEInternationalConferenceonSoftwareMaintenanceandEvolution（ICSME），Victoria，BC，Canada。doi：10.1109/ICSME.2014.34。刘，X.，艾，W.，Li，H.，唐，J.，黄，G.，Feng，F.，中国农业科学院，Mei，Q.，2017.从移动应用程序的管理活动中获取其用户偏好。ACM Trans. Inform.（TOIS）35（4）. https://doi.org/10.1145/3015462网站。Liu，Y.，徐，C.，张先生，S.C.，2015.诊断移动网构软件应用的能源效率和性能：挑战与机遇。IEEE Softw. 32（1），67-75。https://doi.org/10.1109/MS.2015.28网站。Liu，Y.，徐，C.，张先生，S.C.，Lü，J.，2014. Greendroid：智能手机应用的能源效率自 动 诊 断 。 IEEETrans.SoftwareEng.40 （ 9 ） ， 911-940.https://doi.org/10.1109/TSE.2014.2323982网站。马丁，W.，Sarro，F.，Jia，Y.，张玉，Harman，M.，2016.软件工程应用商店分析综述。IEEETrans.SoftwareEng.43（9），817-847.https://doi.org/10.1109/TSE.2016.2630689网站。帕纳尼拉斯岛，Acharya，A.，Vasista，V.，Bondhugula，U.，2015.一类格子玻尔兹曼计 算 的 优 化 代 码 生 成 器 。 ACM Trans. Architect. 代 码 优 化 。 （ TACO ） 12（2）.https://doi.org/10.1145/2739047网站。Petsas ， T. ， Papadogiannakis ， A. ， Polychronakis ， M. ， Markatos ， E.P. ，Karagiannis，T.，2017.移动应用生态系统的测量、建模和分析。ACM Trans. Model.表演Eval. Comput.（TOMPECS）2（2）. https://doi.org/10.1145/2993419.R与数据挖掘检索自：http://www.rdatamining.com/resources/tools。Peter J.，1987.剪影：聚类分析解释和验证的图形辅助工具。J.计算机Appl. Math. 20，53-65. https://doi.org/10.1016/0377-0427（87）90125-7。Shuja，J.，Gani，A.，Bilal，K.，Khan，A.U.R.，Madani，S.A.，Khan，S. U.，Zomaya，A.Y.，2016年。移动终端虚拟化的调查：分类和最新技术水平。监视器（CSUR）49（1）。https://doi.org/10.1145/2897164网站。Spangler，W.E.，May，J.H.，Vargas，L.G.，1999.为多重分类选择数据挖掘方法 ： 决 策 支 持 的 代 表 性 和 性 能 测 量 含 义 。 J.管 理 。 告 知 。 16 （ 1 ） ， 37-62.https://doi.org/10.1080/07421222.1999.11518233网站。太 好 了 ， T. M 2017. A Review of Statistical Rethinking ： A Bayesian CourseWithExamples in R and Stan ， 42 （ 1 ） ， 107-