目录
7.Ring-DVFS: Reliability-Aware Reinforcement Learning-Based DVFS for Real-Time Embedded Systems
1.Enhanced Parallel Application Scheduling Algorithm with Energy Consumption Constraint in Heterogeneous Distributed Systems (EECC算法).
改进
提出了一种增强算法,通过在不平等分配中选择相对中间的值来减少调度长度。通过引入因子,对任务进行不平等的能耗分配。
假定第一个任务如下图所示,则第n个任务能分配到下述的能量;
因此,我们选择的每个任务的平均可分配能量值可以计算为
相应地,未分配任务的预分配能量可以表示为:
总的而言,EECC算法优于MSELCC算法,在调度长度上略逊于HEFT算法,但在能耗上优于HEFT算法。
---------------------------------------------------------------------------------------------------------------------------------
2.An Efficient Energy Scheduling Algorithm for Workflow Tasks in Hybrids and DVFS-enabled Cloud Environment(DEWTS算法)
改进
提出了一种支持 DVFS 的高效能源工作流任务调度算法 (DEWTS)。它有三个主要阶段,算法1描述组合算法,三个子过程分别描述三个主要阶段。
算法1:DEWTS(支持DVFS的高效能源工作流任务调度)
输入:一个DAG G (N, E)和一组支持DVFS的处理器
输出:将G调度到任务分配的P’上。
1.MS_Computing(); //用HEFT进行优先级排序和计算makespan值,首先通过从退出任务到进入任务向上遍历 DAG,以非递增顺序计算所有任务的优先级。一些研究称其为b级排序。因为只想获得在不违反优先约束的情况下安排任务的安排,故只计算一次b值;
2.Pro_Merging();//处理器合并阶段:首先计算每个开启的处理器的分配任务数,然后按照rankm降序对处理器进行排序,重复在前k-1个处理器上重新安排任务,直到重新安排的长度大于截止时间;
3.T_Slacking(); //基于DVFS技术的任务松弛阶段:使用DVFS技术在不违反优先约束的情况下处理空闲时隙
4.计算能耗。
总的来说,DEWTS算法在大规模运载、节能、平衡性能计划和节能目标等方面优于类似算法EES,但在平均资源利用率与运行时间上逊于HEFT算法。
---------------------------------------------------------------------------------------------------------------------------------
3.Using Game Theory for Scheduling Tasks on Multi-Core Processors for Simultaneous Optimization of Performance and Energy
动态电压调节(DVS)技术通过动态调节处理器的电源电压和时钟频率来降低能量耗散;
找到一个最优的时间表通常是一个NP完全问题,研究人员已经诉诸于使用广泛的技术设计大量的启发式方法,包括分支和绑定,整数规划,搜索,图论,随机化,遗传算法和进化方法,但这些方法不适用于能量感知调度,其目标是权衡并行应用程序的完成时间与总能耗。
改进
该资源管理器利用多种方式实现能量-时间权衡(这些权衡目标由后面一节中描述的多个场景捕获)、基于可用资源和系统当前状态(例如温度)的静态和动态调度算法。
我们假设一个能源管理者调用我们的调度算法,静态地,在需要时自适应地调用。
作为内核的一部分,管理器可以在使用功率和温度等感官数据计算和更新的能量分布下工作。能量分布驱动管理器选择一种可能的场景,使调度算法能够在不同的目标函数下工作,并在运行时发生资源冲突时动态工作。
一个资源管理器可以根据当前的温度条件、应用的优先级和成本问题,在能量和时间要求之间进行适当的权衡。
下表中描述了能量和执行时间权衡的三种情况。
场景 | 目的 | 描述 |
1 | 通过允许减少计划长度来降低能耗 | 假设我们知道并行应用程序的计划,该应用程序可以最大限度地减少Hemp上的执行时间。确定(无论是否成功)一个新计划,该计划尝试最小化Hemp上的能耗,假设在执行时间内有额外的分数松弛。一个重要的特例是当附加可宽延时间为零时。 |
2 | 在给定能源预算的情况下最大限度地减少时间要求 | 对于每个并行应用,我们确定其正常能量需求,然后将最大允许能量降低一些因子,例如80%。目标是找到给定能量约束的最小时间要求。 |
3 | 满足任务和能量限制,使整体惩罚功能最小化。 | 我们获得了能源和执行要求的预算,如果其中一个或两个要求都没有得到满足,将受到处罚。目标是最大限度地减少整体惩罚。特殊情况对应于仅因能量或时间限制而惩罚较大(无限)的情况。 |
对于更高的要求,由于管理器无法始终满足所有应用程序,因此它可以在一段时间内选择上述方案的组合,以最大限度地减少处罚并最大化整体性能目标。
总结
NBS-EATA在识别较小的制造跨度方面(makespan)优于贪婪和LR启发式算法且具有更低的能耗。
---------------------------------------------------------------------------------------------------------------------------------
4.Reliability Enhancement Toward Functional Safety Goal Assurance in Energy-Aware Automotive Cyber-Physical Systems(RREC, REREC算法)
核心
为每个任务分配一个具有适当频率的ECU,以减少功能在其能量约束下的响应时间。
在MSLECC算法中,当前任务之后的待分配任务的能耗分配均以最小能耗分配;
缺点:高优先级任务会消耗大量能量,从而导致低优先级任务选择能量最小但执行时间较长的ECU。低优先级任务可能会延长函数的响应时间。
改进
能耗
通过采用平均能量预分配来减少响应时间。
定义1:平均能量 = 总能耗 - 最小能耗
故后继任务