第3章：软件功耗模型

功耗模型这东西，说白了就是给软件的能量消耗画个像。你想想看，我们做嵌入式开发，代码跑起来到底吃了多少电？没有模型，你只能靠猜。我在项目中见过太多人，优化代码全凭感觉，结果功耗降了没降，自己都说不清楚。

这一章，我们来聊聊三种主流的建模方法。嗯，它们各有各的脾气，也各有各的适用场景。

3.1 功耗建模方法：从宏观到微观

建模这件事，我个人习惯先想清楚一个问题：我要多细的粒度？

如果你只想看整个系统跑了多少瓦，那用电流表一夹就行。但如果你想搞清楚哪段代码在偷电，那就得往细了挖。

常见的建模方法，大致分三个层次：

• 黑盒模型：只看输入输出，不管内部。比如测一个函数执行前后的电流差。
• 白盒模型：拆开看内部状态。比如每条指令、每个寄存器的翻转。
• 灰盒模型：介于两者之间。只看关键事件，比如中断、DMA传输。

我在做一款低功耗蓝牙芯片时，一开始用的黑盒模型。后来发现，有些功耗波动根本解释不了。没办法，只能拆成白盒，一条指令一条指令地抠。那段时间，我盯着示波器的波形，眼睛都快瞎了。

3.2 基于指令的功耗模型

这个模型，是嵌入式领域最经典的。它的思路很简单：每条指令消耗固定的能量。

比如，ARM Cortex-M0 的一条 NOP 指令，可能消耗 0.1 nJ。而一条乘法指令，可能要 0.5 nJ。你把所有指令的能量加起来，就是这段代码的总功耗。

公式长这样：

E_total = Σ (N_i × E_i)

其中，N_i 是第 i 种指令的执行次数，E_i 是该指令的单次能耗。

听起来很完美，对吧？但实际用起来，坑不少。

所以，基于指令的模型，适合做相对比较，不适合做绝对预测。你用它来对比两个算法谁更省电，挺好。但想精确算出电池能用多久，那得小心。

这里给个简单的示例，假设我们有个 RISC-V 内核：

// 假设每条指令能耗（单位：nJ）
// ADD: 0.2,  LD: 0.3,  ST: 0.35,  MUL: 0.6

int a = b + c;   // 1条ADD: 0.2 nJ
int d = a * 2;   // 1条MUL: 0.6 nJ
store(d, &buf);  // 1条ST:  0.35 nJ

// 总能耗 ≈ 0.2 + 0.6 + 0.35 = 1.15 nJ

你看，算起来很快。但别忘了，这还没算取指令、译码的开销。实际上，每条指令背后还有隐藏的能耗。

3.3 基于事件的功耗模型

这个模型，我更喜欢叫它「偷懒者的模型」。为什么？因为它不关心每条指令，只关心发生了什么事件。

事件包括：

• CPU 从睡眠唤醒
• 外设开始一次 SPI 传输
• DMA 搬运了一块数据
• 定时器溢出

每个事件，都有一个固定的能耗标签。你统计事件发生的次数，就能估算总功耗。

举个例子，一个低功耗 MCU 的典型场景：

// 事件能耗表（单位：μJ）
// 唤醒事件: 5.0
// SPI发送1KB: 12.0
// 定时器中断: 0.8

// 假设一秒钟内：
// 唤醒 2 次: 2 × 5.0 = 10.0 μJ
// SPI 发送 1 次: 12.0 μJ
// 定时器中断 10 次: 10 × 0.8 = 8.0 μJ
// 总能耗 ≈ 30.0 μJ

这个模型的好处是，你不用关心 CPU 内部在干嘛。你只需要在关键路径上埋点，统计事件次数就行。

我记得有一次，帮客户优化一个物联网终端。他们用基于指令的模型算出来，功耗应该只有 50 μA。但实测是 200 μA。后来改用事件模型一查，发现一个 GPIO 中断被配置成了双边沿触发，每秒触发了上千次。这个事件，在指令模型里根本看不出来。

3.4 两种模型的对比

这里我整理了一张表，方便你对比：

维度	基于指令的模型	基于事件的模型
粒度	细（指令级）	粗（事件级）
精度	高（理想条件下）	中（依赖事件定义）
实现难度	高（需要指令集数据）	低（埋点即可）
适用场景	算法优化、编译器调优	系统级功耗分析、低功耗调试
对硬件依赖	强（需要精确的指令能耗）	弱（只需要事件能耗）

你可能会问，那我到底该用哪个？

我的经验是：先粗后细。先用事件模型把大头抓住，再用指令模型去抠细节。别一上来就扎进指令级，那样容易迷失方向。

好了，这一章就到这里。下一章，我们会聊聊具体的功耗测量工具和方法。到时候，我会拿一个真实的项目案例，手把手带你走一遍。