Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android

Abstract

Um dos fatores essenciais para o sucesso de uma aplicação ou modelo de dispositivo é o consumo de energia, que impacta diretamente na autonomia e na satisfação de pessoas usuárias de dispositivos móveis e seus aplicativos. Em geral, os estudos relacionados à área são realizados em laboratório, por meio de simulações, com um número limitado de dispositivos e aplicações. Uma perspectiva mais ampla se faz necessária diante da vasta heterogeneidade do contexto móvel, em especial do Android. Este estudo explora o uso de dados de dispositivos móveis, coletados através de colaboração coletiva (crowndsourcing), modelando seu comportamento energético para entender os fatores que mais impactam o seu consumo de energia. Foi analisada a viabilidade de desenvolver modelos a partir de técnicas tradicionais de Mineração de Dados e Aprendizado de Máquina utilizando dados de uso real de dispositivos móveis em larga escala, de modo a relacionar os diversos fatores do contexto móvel com o tempo de decaimento das baterias. Foram estudados dados dos 100 modelos mais populares e suas configurações, juntamente com os aplicativos e processos mais populares, presentes no banco de dados GreenHub, uma iniciativa colaborativa e voluntária para coletar dados para estudos de dispositivos móveis Android. Os pontos de dados coletados correspondem ao estado de diversos aspectos dos aparelhos sempre que ocorre uma alteração no nível das baterias, sendo o intervalo de tempo entre as alterações de decaimento, o alvo das técnicas utilizadas nesse estudo. Foram utilizados algoritmos de regressão baseados em árvore (Decision Tree, Random Forest e XGBoost), em conjunto com a abordagem SHAP (SHapley Additive exPlanations) a fim de estabelecer a capacidade preditiva e descritiva das técnicas. Os resultados indicam um grau de dificuldade elevado ao estudar as relações contidas nos dados, pois a precisão das predições varia bastante de acordo com o modelo de dispositivo a ser estudado, refletindo a heterogeneidade do contexto. Por exemplo, para o modelo mais popular da base, SM-G532M, a precisão da melhor predição, usando a técnica Decision Tree, foi de 37%. Por outro lado, para o segundo modelo mais popular, o A0001, a melhor precisão obtida, usando a técnica XGBoost, foi de 68%. Resultados como estes mostram que experimentos de laboratório para avaliar consumo de energia de dispositivos móveis têm poder limitado de representar situações do mundo real, dada a grande variabilidade de contextos em que estes podem ser usados. Dentre os aspectos mais impactantes para os modelos, fatores como temperatura, voltagem, uso da CPU e conexões de rede foram considerados mais relevantes que, por exemplo, os processos e aplicativos que estão em execução em dado momento.