题目： Differential Energy Profiling: Energy Optimization via Diffing Similar App
作者： Abhilash Jindal and Y. Charlie Hu
单位： Purdue University and Mobile Enerlytics, LLC
出版： OSDI 2018
总括：
- 已有的app能耗剖析工具在静态代码层面寻找能耗热点。
- 可惜的是，给出了能耗较大的关键部位，开发者却对接下来的优化无从下手：是否存在更省电的实现？怎么实现呢？
- 本文的目的就是在应用市场中寻找更高效更节能的应用实现，方案是“差分式能源剖析”。
- 实现的DIFFPROF对安卓市场的8组app（每组5个）做了剖析，这个工具可以指出低效的部分，并展示出对应的调用树，方便开发人员快速明白耗电背后的原因，方便其找出解决方案！
解决问题：
续航能力是移动端用户体验的关键！Apple 和 Google 鼓励开发者优化他们的Apps。
传统优化周期是：在静态代码上找到能耗热点，思考如何重构这部分实现。（疑问：何不在运行时做，需要新型Monkey去触发分支吗？）
但事实是：应用代码量大，第三方插件多，甚至运行过程中和OS交互频繁。没有自动化工具，这个问题很难！
有那么几个工具可以帮助开发者快速找到能耗热点，但是开发者知道后还是不知道如何调优。万里长征未还！
本文希望自动找出更有效的实现，不仅告诉where，还能告诉你how（显然程序分析的套路）。
思路：控制变量法，类似功能的app（聚类），相同的任务（功能），不同的开发者（实现），导致 energy footprint 的千差万别。
挑战：
- 差分的粒度如何控制？任务粒度，那么如何定义任务？
- 如何标记出差分单元？在源码中标记出调用树，将任务的 manifest 转化成Erlenmeyer flask-shaped slice，表示为3元组
<调用路径，框架方法，子树节点>，分别对应<任务上下文，service，特定执行路径>。 - 如何完成这种差分运算？一种有效的匹配算法，优势是其他工作找到不那么高效的地方，这个工作找到低效而且是实现的具体细节，帮助开发人员找出解法。
贡献点：
提出基于差分的能源剖析方法； DIFFPROF，针对安卓应用的能源优化工具。
观察：
- 同类型不同实现的app之间能耗差异较大（这才能找出较优解）：原文表1
- 能耗主要花在框架服务层（可见不是各家实现不同造成的，很有可能是框架的“打开方式不对”）：原文图1
- 类似功能的实现下，任务有很大重合度，对系统服务框架的使用方式决定了能耗：表3和表6
缺点：
- 只能给有源码的app做剖析！
思考：
- 可否在无源码二进制上完成？二进制更优方案可否嫁接？
- 可否用虚拟化，利用
Intel PT实现运行时判断，或静态分析检验？ - 可否
迁移学习到故障诊断、漏洞分析等领域？
相关工作：
- EPROF 实现源码层面能源的剖析和审计；ARO是针对网络的跨层剖析；Wattson在开发者工作站上用模拟器评估app能耗；GfxDoctor评估每次UI更新时框架渲染层消耗的能量。本文在这些工作的基础上，进一步帮助开发者理解如何优化代码，而非只是指出所在。
- Diffing这种方案在行为差异化分析、分布式网络的misconfiguration/性能异常/故障诊断等都有应用。
