Offloading computacional em Android : análise comparativa de cálculos executados em CPU versus GPU Uma abordagem prática com TensorFlow Lite e delegates para otimização de tarefas vetoriais.

Abstract

Aplicações móveis baseadas em monitoramento contínuo, como análise biométrica, fisiológica e sensorial, impõem desafios computacionais relevantes quando executadas diretamente na borda. Diferentemente de ambientes em nuvem, dispositivos móveis operam sob restrições severas de bateria, latência e disponibilidade de rede, o que torna inviável depender exclusivamente de processamento remoto ou de estratégias ingênuas de delegação computacional. Este trabalho apresenta uma pesquisa experimental em computação de borda voltada à otimização da execução de algoritmos matemáticos fundamentais em dispositivos Android. O foco está na análise de desempenho e eficiência energética de operações estatísticas e espectrais clássicas, especificamente a Mean Absolute Deviation (MAD) e a Transformada Rápida de Fourier (FFT), amplamente utilizadas em pipelines de processamento contínuo de dados sensoriais. Nessas aplicações, decisões sobre como estruturar e executar cada etapa do cálculo impactam diretamente a latência, o consumo energético e a viabilidade do sistema em execução contínua. A proposta investiga o uso de aceleração por meio de delegates do TensorFlow Lite (CPU, GPU e NNAPI), explorando diferentes níveis de granularidade computacional e estratégias de batching. O objetivo é avaliar em quais condições a delegação local para backends especializados se mostra vantajosa, considerando o tempo total de execução do pipeline e os custos internos associados à preparação e organização dos dados no runtime. Para isso, modelos otimizados no formato .tflite foram desenvolvidos e integrados a um aplicativo Android, permitindo uma avaliação sistemática de tempo de execução, speedup e comportamento energético em dispositivos com diferentes perfis de hardware. Os resultados demonstram que a delegação adequada das operações, combinada ao controle explícito da granularidade do pipeline, permite reduzir significativamente a latência e a demanda energética relativa, especialmente em cenários de execução contínua e em dispositivos de entrada. Tais descobertas reforçam a viabilidade de pipelines computacionais eficientes na borda e oferecem diretrizes práticas para o desenvolvimento de aplicações móveis mais responsivas, econômicas e resilientes em ambientes com restrições de energia, conectividade e heterogeneidade de hardware.