Técnicas de planificación para optimizar el rendimiento de los sistemas de tiempo real multiprocesador
Enviado: 23-06-2023
|Aceptado: 31-07-2023
|Publicado: 11-09-2023
Derechos de autor 2023 José María Aceituno, Ana Guasque, Patricia Balbastre Betoret, José Simó, Carlos Eduardo Pereira, Alfons Crespo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
Sistemas de control de tiempo real, Planificación de sistemas de tiempo real, Sistemas ciber-físicos en control, Sistemas de control embebidos, Sistemas multiprocesador, Contención, Redes neuronales
Agencias de apoyo:
Esta publicación es parte del proyecto de I D i PLEC2021-007609 financiado por MCIN/ AEI/ 10.13039/501100011033 y por “Unión Europea NextGenerationEU / PRTR” y del proyecto de I D i PID2021-124502OB-C41, financiado por MCIN/ AEI/10.13039/501100011033. También ha sido financiado por PAID-10-20 (Universitat Politècnica de València)
Resumen:
Los sistemas multinúcleo surgieron como alternativa y mejora a los tradicionales sistemas mononúcleo. Aunque el rendimiento de estos sistemas es mayor, poseen más complejidad. Además, su rendimiento puede verse degradado debido a que los recursos hardware compartidos introducen retrasos en la planificación. Para reducir este retraso o contención existen diversas técnicas, que se pueden aplicar tanto a la hora de alojar las tareas en los núcleos como al planificar las tareas dentro de cada núcleo. En este trabajo se propone un algoritmo de planificación que combina distintas políticas de planificación conocidas para obtener un plan temporal que posea una menor interferencia. Además, se propone una red neuronal artificial para predecir qué política de alojamiento se debe aplicar para minimizar la longitud de los intervalos que forman el plan temporal y así reducir la complejidad de planificación de cada intervalo.
Citas:
Aceituno, J. M., Guasque, A., Balbastre, P., Sim ́o, J., Crespo, A., 2021. Hard-ware resources contention-aware scheduling of hard real-time multiproces-sor systems. Journal of Systems Architecture 118. https://doi.org/10.1016/j.sysarc.2021.102223
Altmeyer, S., Davis, R. I., Indrusiak, L., Maiza, C., Nelis, V., Reineke, J., 2015.A generic and compositional framework for multicore response time analy-sis. In: Proceedings of the 23rd International Conference on Real Time andNetworks Systems. RTNS '15. p. 129-138. https://doi.org/10.1145/2834848.2834862
B, G., Selvakumar, J., 2020. Appropriate allocation of workloads on performan-ce asymmetric multicore architectures via deep learning algorithms. Micro-processors and Microsystems 73, 102996. https://doi.org/10.1016/j.micpro.2020.102996
Coffman, E. G., Garey, M. R., Johnson, D. S., 1996. Approximation Algorithmsfor Bin Packing: A Survey. PWS Publishing Co., USA, p. 46-93.
Dasari, D., Andersson, B., Nelis, V., Petters, S. M., Easwaran, A., Lee, J., 2011.Response time analysis of cots-based multicores considering the contentionon the shared memory bus. In: 2011IEEE 10th International Conference onTrust, Security and Privacy in Computing and Communications. pp. 1068-1075. https://doi.org/10.1109/TrustCom.2011.146
Davis, R. I., Burns, A., oct 2011. A survey of hard real-time scheduling formultiprocessor systems. ACM Comput. Surv. 43 (4). https://doi.org/10.1145/1978802.1978814
Lehoczky, J., 1990. Fixed priority scheduling of periodic task sets with arbitrarydeadlines. In: [1990] Proceedings 11th Real-Time Systems Symposium. pp.201-209. https://doi.org/10.1109/REAL.1990.128748
Liu, C. L., Layland, J. W., Jan. 1973. Scheduling algorithms for multiprogram-ming in a hard-real-time environment. J. ACM 20 (1), 46-61. https://doi.org/10.1145/321738.321743
Lugo, T., Lozano, S., Fernandez, J., Carretero, J., 2022. A survey of techniquesfor reducing interference in real-time applications on multicore platforms.IEEE Access 10, 21853-21882. https://doi.org/10.1109/ACCESS.2022.3151891
Maiza, C., Rihani, H., Rivas, J. M., Goossens, J., Altmeyer, S., Davis, R. I., jun2019. A survey of timing verification techniques for multi-core real-timesystems. ACM Comput. Surv. 52 (3). https://doi.org/10.1145/3323212
Nemirovsky, D., Arkose, T., Markovic, N., Nemirovsky, M., Unsal, O., Cristal, A., 2017. A machine learning approach for performance prediction andscheduling on heterogeneous cpus. In: 2017 29th International Symposiumon Computer Architecture and High Performance Computing (SBAC-PAD).pp. 121-128. https://doi.org/10.1109/SBAC-PAD.2017.23
Oh, Y., Son, S. H., Nov. 1995. Allocating fixed-priority periodic tasks on mul-tiprocessor systems. Real-Time Syst. 9 (3), 207-239. https://doi.org/10.1007/BF01088806
P. Kingma, D., 2015. Adam: A method for stochastic optimization. conferenceICLR 2015.
Shulga, D. A., Kapustin, A. A., Kozlov, A. A., Kozyrev, A. A., Rovnyagin,M. M., 2016. The scheduling based on machine learning for heterogeneouscpu/gpu systems. In: 2016 IEEE NW Russia Young Researchers in Electri-cal and Electronic Engineering Conference (EIConRusNW). pp. 345-348. https://doi.org/10.1109/EIConRusNW.2016.7448189
Zhang, H., Stafman, L., Or, A., Freedman, M. J., 2017. Slaq: Quality-drivenscheduling for distributed machine learning. In: Proceedings of the 2017Symposium on Cloud Computing. SoCC '17. Association for Computing Machinery, p. 390-404. https://doi.org/10.1145/3127479.3127490
