Прогнозування навантаження для диспетчеризацiї завдань у системах реального часу
Анотація
Системи реального часу поєднують періодичні та аперіодичні завдання, для яких критично важливим є своєчасне виконання. Періодичні завдання зазвичай мають наперед відомі параметри, тоді як аперіодичні запити виникають нерівномірно і можуть суттєво змінювати поточне навантаження на систему. Короткочасні сплески аперіодичних запитів здатні спричиняти зростання затримок і підвищувати ризик порушення дедлайнів. Водночас налаштування системи на найгірший випадок призводить до надмірної консервативності, знижує корисну пропускну здатність системи та погіршує якість обслуговування. У статті запропоновано підхід який використовує короткострокову оцінку навантаження для обережної адаптації параметрів обслуговування аперіодичних завдань. Зокрема, розглядається коригування бюджетів і періодів поповнення з урахуванням прогнозованого попиту. Щоб зберегти формальні гарантії своєчасності, оцінений попит доповнюється запасом на можливу похибку прогнозування, після чого виконується перевірка здійсненності розкладу для планування з фіксованими пріоритетами. Зміни параметрів допускаються лише за умови успішного проходження відповідних тестів, інакше система зберігає попередній, більш консервативний режим роботи. Розглянуто одноядерну систему з незалежними завданнями. Як показник оцінювання використано сумарний попит на процесорний час аперіодичних завдань у ковзному вікні . Запропонований підхід дає змогу поєднати прогнозування навантаження з формальними методами аналізу розкладу, зменшити надмірну консервативність і підвищити ефективність обслуговування аперіодичних запитів без порушення вимог до періодичних завдань
Посилання
Zhao T., Li C., Li W., Zomaya A. Y. Brief Announcement: Towards a More Robust Algorithm for Flow Time Scheduling with Predictions. Proceedings of the 34th ACM Symposium on Parallelism in Algorithms and Architectures (SPAA). – July 2022. – DOI: 10.1145/3490148.3538557.
Zhao T., Li W., Zomaya A. Y. Real-Time Scheduling with Predictions. Proceedings of the 2022 IEEE Real-Time Systems Symposium (RTSS). – December 2022. – DOI: 10.1109/RTSS55097.2022.00036.
Zhao T., Li W., Zomaya A. Y. Uniform Machine Scheduling with Predictions. Proceedings of the Thirty-Second International Conference on Automated Planning and Scheduling (ICAPS). – July 2022.
Im S., Kumar R., Montazer Qaem M., Purohit M. Non-Clairvoyant Scheduling with Predictions. Proceedings of the 33rd ACM Symposium on Parallelism in Algorithms and Architectures (SPAA). – July 2021. – DOI: 10.1145/3409964.3461790.
Yamashiro H., Nonaka H. Estimation of processing time using machine learning and real factory data for optimization of parallel machine scheduling problem. Operations Research Perspectives. – July 2021. – Vol. 8, Issue 4. – DOI: 10.1016/j.orp.2021.100196.
