[發(fā)明專利]一種基于深度學習的RMS可調(diào)度性判定方法及裝置在審
| 申請?zhí)枺?/td> | 201811487528.0 | 申請日: | 2018-12-06 |
| 公開(公告)號: | CN109766181A | 公開(公告)日: | 2019-05-17 |
| 發(fā)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(chǎn)權代理有限公司 11205 | 代理人: | 張子青;劉芳 |
| 地址: | 100191 北京市海淀區(qū)學院*** | 國省代碼: | 北京;11 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 可調(diào)度性 任務集 判定 任務子集 判定結果 單核處理器 調(diào)度 算法 調(diào)度特征 決策依據(jù) 準確度 學習 預測 | ||
本發(fā)明提供一種基于深度學習的RMS可調(diào)度性判定方法及裝置,該方法包括:首先,獲取待執(zhí)行任務集,接著,采用空間劃分方法對待執(zhí)行任務集進行劃分,獲取第一任務子集,根據(jù)第一任務子集的調(diào)度特征及預先訓練好的可調(diào)度性判定模型,獲取可調(diào)度性判定結果,可調(diào)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(diào)度。本發(fā)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(diào)度的可調(diào)度性判定模型,進行可調(diào)度性判定,提高了可調(diào)度性判定結果的準確度。另外,對待執(zhí)行任務集對應的第一任務子集進行可調(diào)度性判定,還能夠在完整的待執(zhí)行任務集無法被調(diào)度時,提供決策依據(jù)。
技術領域
本發(fā)明涉及實時調(diào)度領域,尤其涉及一種基于深度學習的RMS可調(diào)度性判定方法及裝置。
背景技術
實時系統(tǒng)主要是面向與時間因素緊密相關的應用系統(tǒng),它在航空、航天、醫(yī)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(tǒng)對時間行為特性有嚴格要求,因此,在實時系統(tǒng)的設計中,實時系統(tǒng)的可預測性是設計者需要考慮的重要因素。其中,實時系統(tǒng)的可預測性通常和實時系統(tǒng)中所采用的調(diào)度算法有關。
對于周期性任務,基于優(yōu)先級的靜態(tài)調(diào)度常采用單調(diào)速率調(diào)度(Rate MonotonicScheduling,簡稱:RMS)算法。RMS算法具體表現(xiàn)為:通過可調(diào)度性判定公式,獲取任務集的可調(diào)度性判定結果,并根據(jù)可調(diào)度性判定結果,按照固定的優(yōu)先級順序調(diào)度任務集中各任務。
但在采用RMS算法進行靜態(tài)調(diào)度時,需要在大量的假設和約束條件的前提下,通過數(shù)學方法推導出可以用形式化語言描述的可調(diào)度性判定公式,這導致得到的可調(diào)度性判定結果準確度較低,且該可調(diào)度性判定結果只能判定完整任務集能否被調(diào)度,導致靜態(tài)調(diào)度的靈活性較低。
發(fā)明內(nèi)容
本發(fā)明提供一種基于深度學習的RMS可調(diào)度性判定方法及裝置,以實現(xiàn)提高可調(diào)度性判定結果準確度及靜態(tài)調(diào)度的靈活性。
第一方面,本發(fā)明提供一種基于深度學習的RMS可調(diào)度性判定方法,該方法包括:
獲取待執(zhí)行任務集,其中,所述待執(zhí)行任務集包括至少一個周期性、且可搶占的待執(zhí)行任務;
采用空間劃分方法對所述待執(zhí)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(zhí)行任務,所述空間劃分方法用于對由所述待執(zhí)行任務的屬性參數(shù)所映射的高維度空間進行劃分,以獲取所述待執(zhí)行任務在空間上的不同排列組合;
根據(jù)所述第一任務子集的調(diào)度特征及預先訓練好的可調(diào)度性判定模型,獲取可調(diào)度性判定結果,其中,所述可調(diào)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(diào)速率調(diào)度RMS算法被調(diào)度。
進一步地,所述根據(jù)所述第一任務子集的調(diào)度特征及預先訓練好的可調(diào)度性判定模型,獲取可調(diào)度性判定結果之后,還包括:
根據(jù)所述可調(diào)度性判定結果,將可在單核處理器上按照RMS算法被調(diào)度,且待執(zhí)行任務數(shù)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(diào)度所述目標任務子集中各待執(zhí)行任務。
進一步地,所述待執(zhí)行任務集包括M個所述待執(zhí)行任務,M為大于0的整數(shù);
所述采用空間劃分方法對所述待執(zhí)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(zhí)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(zhí)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(shù),I為大于0的整數(shù),X為對M個所述待執(zhí)行任務進行全排列得到的第一任務子集的個數(shù),X為大于1的整數(shù)。
進一步地,所述預先訓練好的可調(diào)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;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于北京航空航天大學,未經(jīng)北京航空航天大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201811487528.0/2.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 用戶調(diào)度方法及其裝置
- 基于資源競爭模型的AADL模型可調(diào)度性驗證方法
- 一種多處理器系統(tǒng)可調(diào)度性驗證方法
- 基于優(yōu)先級分配的工業(yè)無線網(wǎng)絡確定性傳輸調(diào)度方法
- 一種基于多處理器的AADL模型的可調(diào)度性分析方法
- 一種基于熵的微網(wǎng)可調(diào)度性建模方法及評價方法
- 一種基于深度學習的EDF可調(diào)度性判定方法及裝置
- 一種基于深度學習的RMS可調(diào)度性判定方法及裝置
- 針對周期性數(shù)據(jù)流的規(guī)劃調(diào)度方法、系統(tǒng)、設備和介質(zhì)
- 可調(diào)度性模型的建立方法、裝置、電子設備及存儲介質(zhì)





