基于硬实时系统的抢占调度成本优化算法研究

实时系统已经广泛的应用到社会的生产中,硬实时任务间的抢占调度成本会影响整个系统性能。本文提出了一种优化硬实时任务抢占开销的优化算法。对EDF调度抢占行为的可推迟时间进行了量化分析,在任意抢占时刻,推迟高优先级硬实时任务的执行以避免抢占发生的条件。实验结果表明,本文提出的算法可以保证可调度性的同时有效地减少抢占次数,从而提高系统性能。     

RM算法中减少抢占开销的任务微调算法

在基于嵌入式实时操作系统的实时应用中,由于任务抢占导致的切换开销对于整个系统是不可忽略的.提出了一种减少抢占发生的RM任务微调算法,通过对固定优先级调度抢占行为可推迟时间的量化分析,推导出受低优先级任务阻塞而造成的受阻任务集,以及在任意抢占时刻,推迟高优先级实时任务执行避免抢占发生的判定条件.仿真实验表明该算法在保证可调度任务集中所有任务满足时限约束的前提下,延迟高优先级任务的执行,减少抢占发生次数,通过减少抢占开销提高RM算法在实际应用中的可调度利用率.     

面向能耗优化的云渲染系统任务调度策略

针对云渲染系统中由于渲染节点与任务不匹配调度而带来的能耗浪费问题,提出一种通过任务调度方式来优化系统能耗的策略。为了形式化描述系统的整体能耗,综合考虑节点空闲能耗和任务运行能耗,建立渲染任务能耗模型;以降低系统总体能耗为优化目标,根据渲染任务之间无依赖性的特点,将任务调度序列拆分成子序列,利用模拟退火思想,通过优化子序列任务调度提高节点利用率、减少节点空闲能耗,以此降低系统全局任务的能耗;采用矩阵存储子序列任务的能耗,以空间换时间的方式降低策略的时间复杂度。实验结果表明:该策略在多渲染作业环境中能耗优化效果比先进先出算法提升了43.4%,比能耗感知的调度算法提升了6.7%,能够有效降低云渲染系统的总体能耗,同时具有良好的扩展性,使云渲染系统的能耗效率和整体性能得到提升。     

基于累计价值的最早最终截止期优先调度策略

提出一种基于累计价值的最早最终截止期优先调度策略. 通过分析抢占式EDF算法在实际工作中的行为, 认为系统中存在非必须的抢占行为, 这些非必须抢占行为影响了调度器的效率, 通过为EDF算法引入一个任务累计价值参数, 调整EDF算法对优先级的分配策略, 能减少这种非必须的抢占式开销. 实验结果表明, 改进后的EDF算法减少了系统的抢占式开销.     

硬实时环境下固定优先级调度的离线优化

RM调度算法具有简单的实现机制和较低的调度开销,被广泛应用于硬实时调度领域.然而这类算法的固定优先级特征使其在高任务负载环境下具有极高的抢占次数,从而导致了较大的系统开销,因此提出一种方法来减少RM调度的抢占次数.该方法通过离线计算任务集的最优属性来减少基于RM调度的系统在运行时的抢占次数,进而降低系统的抢占开销.仿真结果表明,该方法可以在不付出额外调度开销的前提下有效减少RM调度的抢占次数,降低实时系统的抢占开销.     

嵌入式实时系统中抢占控制策略及其优化

任务的抢占在保证了系统可调度性的同时,也带来了必然的抢占开销.而对于资源受限的嵌入式实时系统来说,控制任务的抢占次数,降低抢占引起的资源消耗具有重要的意义.提出了一种基于时间片的抢占控制模型,为每个任务分配一个可抢占次数的上限.由于抢占控制会对系统的可调度性造成影响,因此通过遗传算法对任务的抢占次数上限进行优化,使其在满足任务可调度的前提下取值最小.通过仿真实验,分析了优化算法的性能,并从对任务调度的统计结果中可以看出,采用本文提出的抢占控制策略可以有效地减少任务执行中的抢占次数.     

一种分布式动态负载均衡调度算法

目前计算机应用服务系统经常采用集群系统,负载均衡调度是集群系统的关键。在通用负载均衡调度算法的基础上,提出一种分布式动态负载均衡调度算法.该算法动态收集、统计和分析服务器的信息,以此为根据完成服务器负载均衡的任务,能够实现集群正常调度.在此基础上,采取分布式调度的策略,提高负载均衡调度的效率、性能,以使其对业务系统整体性能的影响最小。     

一种基于网格的跨集群VOD系统及其仿真实现

提出了一种城域范围内基于网格技术的跨集群异构VOD系统实现框架;描述了系统硬件拓扑、软件层次结构,系统主要组件的交互活动．提出了一种对点播任务的分布式自适应调度算法并给出了基于此调度算法的仿真方案和结果．调度算法基于多目标规划,分为二级实现,包括任务在跨集群间的调度和集群内的调度．仿真结果显示,在系统的负载容量内,负载的大幅增加不会引起服务质量的显著下降。     

基于WCCS架构的渲染农场的实现

在分析WCCS操作系统特点的基础上提出了基于WCCS架构部署渲染集群的新方法,并利用WCCS强大的集群和作业管理功能实现了分布式渲染农场计算系统。分别从硬件结构和软件框架两个方面详细讨论了渲染农场的具体构建方法,并给出了利用WCCS技术进行动漫渲染的对比结果。实验结果表明,应用该方法构建的渲染农场具有强大的功能并且易实现,易操作。     

改善嵌入式Linux实时性能的方法研究

分析了Linux的实时性,针对其在实时应用中的技术障碍,在参考了与此相关研究基础上,从5-方面提出了改善Linux实时性能的改进措施。为提高嵌入式应用响应时间精度,提出两种细化Linux时钟粒度方法;为增强系统内核对实时任务的响应能力,采用插入抢占点和修改内核法增强Linux内核的可抢占性;为保证硬实时任务的时限要求,把原Linux的单运行队列改为双运行队列,硬实时任务单独被放在一个队列中,并采用MLF调度算法代替原内核的FIFO调度算法。     

基于InfiniBand的集群分布式并行绘制系统设计

为解决 sort-first型并行绘制负载不均衡和网络拥塞问题,在研究原有体系结构的基础上,提出了一种基于InfiniBand高速网络的PC集群分布式并行图形绘制解决方案。增加了显示节点负责场景显示。使用一种改进型的基于绘制历史的动态负载均衡算法解决了负载不平衡问题;利用InfiniBand消息传输机制开发了同步控制策略,有效地实现了帧同步。实验结果表明,该方案在保存场景一致完整性的基础上,与传统体系结构相比,显著地提高了系统帧率,降低网络通讯消耗。     

基于EDF的实时数据库动态容错调度算法

实时数据库系统的事务调度过程中,对于即将完成的事务的抢占会造成CPU时间的浪费,降低系统的性能.针对实时数据库中的周期性实时事务提出了一种PEA(preemptive estimate algorithm)软件容错调度算法,算法基于EDF(earliest deadline first)进行事务调度,并结合负载优化算法进行适当调整,采用抢占评估策略来确定是否允许事务抢占,以最大化系统的资源利用率.通过实验测试,证明其具有良好的性能,能有效提高事务的成功率.     

基于WCF架构的DEM数据并行绘制

在计算机集群上,采用Windows通信基础(WCF)架构,实现大范围DEM数据的并行绘制.根据控制节点的任务分配策略对集群中各服务器进行任务分配;服务端采用WCF的任务并发模式,对控制节点分配的任务直接分发给服务实例,无需放到消息队列中进行等待,以此提高集群对DEM数据的并行绘制效率.通过对不同数据量的DEM数据进行集群的并行绘制测试,得出绘制加速比随着数据量的增加而增加的结论,这对于大数据量的DEM数据的并行处理具有重要意义.     

一种基于时间片的抢占控制模型

针对实时系统中任务调度问题,提出了一种基于时间片的抢占控制模型.该模型以抢占次数上限为特征参数,在满足任务集可调度的前提下,由该特征参数计算出任务时间片并按片内不可抢占的限制条件优化任务抢占次数.采用遗传算法对该抢占控制模型进行了离线实现,同时使用惩罚函数来保证整个任务集的可调度性.通过仿真实验,验证了该模型的有效性.     

DS-TE环境下LSP抢占算法

原有V-PREPT(Versatile Preemption)算法关心的是抢占总代价最小化, 灵活性较好但带宽利用率不高。为此, 在研究DS-TE环境下的抢占机制及现行的抢占算法基础上, 提出了BH-PREPT(Bandwidth Preemption)算法。该算法能在最小化抢占总代价的条件下提高带宽的利用率, 在保证被抢占的总带宽满足需求带宽的前提下, 通过采取枚举法找出抢占总代价最小的LSP(Label Switching Path)组合, 且优先选择被抢占LSP数目最少的组合实施抢占。通过Matlab的仿真结果表明, BH-PREPT算法在提高带宽利用率方面比V PREPT算法更具有优势。     

基于工作站机群的并行频域体绘制

体绘制是三维数据场可视化中的一类重要算法，近年来人们分别通过对频域技术和并行技术的研究和应用使得这类算法有了很大的提高，然而迄今为止，这两个方面的成果仍然没有能够有机地结合起来。有鉴于此，本文介绍了一个基于工作站群机环境的并行频域体绘制算法。由于该算法充分发挥了频域技术和并行技术的优点，有效地提高了绘制速度。已在一个工作站机群环境中具体实现。对于该算法的各方面性能，文中都给出了详细的测试统计数据。     

无线传感器网络可分负载调度算法

为了节省传感器节点能量,提高网络资源利用率,提出了一种无线传感器网络可分负载调度(DLSW)算法.DLSW算法以LEACH协议为基础,分群内和群间两阶段进行任务调度.在群内调度阶段,群内节点共享同一信道,相继向群首发送数据;在群间调度阶段,群首节点和SINK节点之间独立的信道使得群首将群内节点报告的数据融合后,并行向SINK节点传送结果,同时完成数据发送.DLSW算法通过去除节点间的通信干扰使得总任务完成时间减少、资源利用率提高.实验结果表明,在大规模的网络环境下,DLSW算法可以使总任务完成时间减少20％,网络能耗减少10％.