PowerLens: 안전하고 개인화된 모바일 전력 관리를 위한 LLM 에이전트 활용

PowerLens: Taming LLM Agents for Safe and Personalized Mobile Power Management

배터리 수명은 모바일 기기에서 여전히 중요한 과제이지만, 기존의 전력 관리 메커니즘은 사용자의 활동과 개인적인 선호도를 무시하는 정적인 규칙 또는 단순한 휴리스틱에 의존합니다. 본 논문에서는 Android 기기에서 안전하고 개인화된 모바일 전력 관리를 위해 대규모 언어 모델(LLM)의 추론 능력을 활용하는 PowerLens 시스템을 소개합니다. 핵심 아이디어는 LLM의 상식적인 추론이 사용자 활동과 시스템 파라미터 간의 의미 격차를 해소하여, 암묵적인 피드백을 통해 개별적인 선호도에 적응하는 제로샷, 컨텍스트 인식 정책 생성을 가능하게 한다는 것입니다. PowerLens는 다중 에이전트 아키텍처를 사용하여 UI 의미론으로부터 사용자 컨텍스트를 인식하고, 18개의 기기 파라미터에 대한 전체적인 전력 정책을 생성합니다. PDL 기반의 제약 프레임워크는 실행 전에 모든 작업을 검증하며, 2단계 메모리 시스템은 신뢰도 기반의 증류를 통해 암묵적인 사용자 재정의로부터 개별적인 선호도를 학습하여, 명시적인 구성 없이 3~5일 이내에 수렴합니다. Android 기기에서 수행한 광범위한 실험 결과, PowerLens는 81.7%의 작업 정확도와 38.8%의 에너지 절약을 달성하여, 기존의 규칙 기반 및 LLM 기반 모델보다 우수한 성능을 보였으며, 높은 사용자 만족도, 빠른 선호도 수렴, 강력한 안전성 보장 기능을 제공합니다. 또한, 시스템 자체의 일일 배터리 사용량은 0.5%에 불과합니다.

Battery life remains a critical challenge for mobile devices, yet existing power management mechanisms rely on static rules or coarse-grained heuristics that ignore user activities and personal preferences. We present PowerLens, a system that tames the reasoning power of Large Language Models (LLMs) for safe and personalized mobile power management on Android devices. The key idea is that LLMs' commonsense reasoning can bridge the semantic gap between user activities and system parameters, enabling zero-shot, context-aware policy generation that adapts to individual preferences through implicit feedback. PowerLens employs a multi-agent architecture that recognizes user context from UI semantics and generates holistic power policies across 18 device parameters. A PDL-based constraint framework verifies every action before execution, while a two-tier memory system learns individualized preferences from implicit user overrides through confidence-based distillation, requiring no explicit configuration and converging within 3--5 days. Extensive experiments on a rooted Android device show that PowerLens achieves 81.7% action accuracy and 38.8% energy saving over stock Android, outperforming rule-based and LLM-based baselines, with high user satisfaction, fast preference convergence, and strong safety guarantees, with the system itself consuming only 0.5% of daily battery capacity.