| 基于机器学习的分布式星载RTs系统负载调度算法 |
| |
| 引用本文： | 谭双杰,林宝军,刘迎春,赵帅.基于机器学习的分布式星载RTs系统负载调度算法[J].计算机科学,2022,49(2):336-341. |
| |
| 作者姓名： | 谭双杰 林宝军 刘迎春 赵帅 |
| |
| 作者单位： | 上海科技大学信息科学与技术学院 上海201210;中国科学院微小卫星创新研究院 上海201203;上海科技大学信息科学与技术学院 上海201210;中国科学院微小卫星创新研究院 上海201203;中国科学院大学计算机科学与技术学院 北京100094;上海微小卫星工程中心 上海201210;中国科学院空天信息创新研究院 北京100094;中国科学院微小卫星创新研究院 上海201203;中国科学院大学计算机科学与技术学院 北京100094;上海微小卫星工程中心 上海201210;中国科学院微小卫星创新研究院 上海201203;上海微小卫星工程中心 上海201210 |
| |
| 摘 要： | 分布式星载多RTs(Remote Terminal)系统的任务主要基于功能进行分配,而数据处理任务的突发性往往会使不同计算机之间负载不均衡。运用灵活的负载调度机制,可以有效调节不同计算机间的负载差异,从而在一定程度上提升计算机系统的整体性能。文中提出了一种基于机器学习的分布式星载RTs系统负载调度算法,包含样本采集、任务吞吐率预测模型构建、吞吐率预测和负载调度等4个步骤。在构建任务吞吐率预测模型环节,通过机器学习的线性回归正规方程获取模型权重,缩短了构建模型消耗的时间。在负载调度环节,若RTs的吞吐率之和大于系统总的负载数据量,则按吞吐率比例给各RTs分配数据,否则只给负载数据量小于自身吞吐率的RTs分配一定量的数据。在多台星载计算机电性能产品构建的地面模拟系统上的实验结果表明,该算法可以使系统所有节点的平均CPU利用率提高23.78%,节点间的CPU利用率方差降低至34.59%,同时目标任务的系统总吞吐量显著提升225.97%。也就是说,该方法在确保系统负载均衡性的同时,可有效提高系统的资源利用率,提升星载计算机系统的数据实时处理性能。
|
| 关 键 词： | 分布式系统 星载计算机 机器学习 任务调度 动态负载均衡 |
Load Scheduling Algorithm for Distributed On-board RTs System Based on Machine Learning |
| |
| TAN Shuang-jie,LIN Bao-jun,LIU Ying-chun,ZHAO Shuai.Load Scheduling Algorithm for Distributed On-board RTs System Based on Machine Learning[J].Computer Science,2022,49(2):336-341. |
| |
| Authors: | TAN Shuang-jie LIN Bao-jun LIU Ying-chun ZHAO Shuai |
| |
| Affiliation: | (School of Information Science and Technology,ShanghaiTech University,Shanghai 201210,China;Innovation Academy for Microsatellites,Chinese Academy of Sciences,Shanghai 201203,China;School of Computer Science and Technology,University of Chinese Academy of Sciences,Beijing 100094,China;Shanghai Engineering Center for Microsatellites,Shanghai 201210,China;Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing 100094,China) |
| |
| Abstract: | |
| |
| Keywords: | Distributed system On-board computer Machine learning Task scheduling Dynamic load balancing |
| 本文献已被 维普 万方数据 等数据库收录！ |
|
