[發明專利]一種基于深度學習的RMS可調度性判定方法及裝置

在審

• 申請號: 201811487528.0
• 申請日: 2018-12-06
• 公開（公告）號: CN109766181A
• 公開（公告）日: 2019-05-17
• 發明（設計）人: 李瑩;張炯;齊天翼;虞世城;劉宇
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F9/50
• 分類號: G06F9/50
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張子青;劉芳

本發明提供一種基于深度學習的RMS可調度性判定方法及裝置，該方法包括：首先，獲取待執行任務集，接著，采用空間劃分方法對待執行任務集進行劃分，獲取第一任務子集，根據第一任務子集的調度特征及預先訓練好的可調度性判定模型，獲取可調度性判定結果，可調度性判定結果用于表示第一任務子集能否在單核處理器上按照RMS算法被調度。本發明所提供的方法利用預先訓練好的能夠預測任務集能否在單核處理器上按照RMS算法被調度的可調度性判定模型，進行可調度性判定，提高了可調度性判定結果的準確度。另外，對待執行任務集對應的第一任務子集進行可調度性判定，還能夠在完整的待執行任務集無法被調度時，提供決策依據。

技術領域

本發明涉及實時調度領域，尤其涉及一種基于深度學習的RMS可調度性判定方法及裝置。

背景技術

實時系統主要是面向與時間因素緊密相關的應用系統，它在航空、航天、醫療、銀行、多媒體等多個領域都有著較為廣泛的應用。由于實時系統對時間行為特性有嚴格要求，因此，在實時系統的設計中，實時系統的可預測性是設計者需要考慮的重要因素。其中，實時系統的可預測性通常和實時系統中所采用的調度算法有關。

對于周期性任務，基于優先級的靜態調度常采用單調速率調度(Rate MonotonicScheduling，簡稱：RMS)算法。RMS算法具體表現為：通過可調度性判定公式，獲取任務集的可調度性判定結果，并根據可調度性判定結果，按照固定的優先級順序調度任務集中各任務。

但在采用RMS算法進行靜態調度時，需要在大量的假設和約束條件的前提下，通過數學方法推導出可以用形式化語言描述的可調度性判定公式，這導致得到的可調度性判定結果準確度較低，且該可調度性判定結果只能判定完整任務集能否被調度，導致靜態調度的靈活性較低。

發明內容

本發明提供一種基于深度學習的RMS可調度性判定方法及裝置，以實現提高可調度性判定結果準確度及靜態調度的靈活性。

第一方面，本發明提供一種基于深度學習的RMS可調度性判定方法，該方法包括：

獲取待執行任務集，其中，所述待執行任務集包括至少一個周期性、且可搶占的待執行任務；

采用空間劃分方法對所述待執行任務集進行劃分，獲取第一任務子集，其中，所述第一任務子集包括至少一個所述待執行任務，所述空間劃分方法用于對由所述待執行任務的屬性參數所映射的高維度空間進行劃分，以獲取所述待執行任務在空間上的不同排列組合；

根據所述第一任務子集的調度特征及預先訓練好的可調度性判定模型，獲取可調度性判定結果，其中，所述可調度性判定結果用于表示所述第一任務子集能否在單核處理器上按照單調速率調度RMS算法被調度。

進一步地，所述根據所述第一任務子集的調度特征及預先訓練好的可調度性判定模型，獲取可調度性判定結果之后，還包括：

根據所述可調度性判定結果，將可在單核處理器上按照RMS算法被調度，且待執行任務數量最多的所述第一任務子集確定為目標任務子集，以使單核處理器按照RMS算法調度所述目標任務子集中各待執行任務。

進一步地，所述待執行任務集包括M個所述待執行任務，M為大于0的整數；

所述采用空間劃分方法對所述待執行任務集進行劃分，獲取第一任務子集，包括：

對M個所述待執行任務進行全排列，獲取個所述第一任務子集，其中，表示從M個所述待執行任務中選取I個進行排列組合所得到的第一任務子集的個數，I為大于0的整數，X為對M個所述待執行任務進行全排列得到的第一任務子集的個數，X為大于1的整數。

進一步地，所述預先訓練好的可調度性判定模型通過以下方式獲取：

獲取任務集，其中，所述任務集包括至少一個任務；