基于DVS的实时多核嵌入式系统低功耗算法

动态电压调整（DVS）是低功耗设计方法中最基本的技术。然而,大部分的算法是基于单处理器平台的,并且仅考虑了相互独立的任务,这时使用DVS往往不能取得较好的效果。基于DVS提出了一种循环旋转调度技术来降低功耗,通过对程序中的循环进行重组,使得在满足时限的同时功耗最小,同时也考虑了电压转换所消耗的时间和功耗。     

基于DPM和DVS的双效节能调度算法

对于电池供电系统,如何降低功耗已成为系统设计中的一个关键问题.通过对系统功耗组成及任务调度策略进行深入分析,提出一种动态电压调节(DVS)和动态功率管理(DPM)相结合的双效节能调节算法DVS-PM.DPM动态管理处理器及外围模块在工作模式和低功耗模式之间切换,DVS在保证系统实时性前提下,实现系统运行在功耗最低的最佳工作点,达到更好的节能效果.实验结果表明,该节能调度算法能大幅减少系统能量消耗,与不采用节能算法相比,节能55.4%.     

同构DVS集群中基于自适应阈值的并行任务节能调度算法

目前,高能效的并行任务调度算法设计已经成为集群系统的研究热点.现有基于复制的节能调度算法主要利用阈值平衡系统的性能和能耗,但随机设置的阈值无法根据性能需求和环境参数等特征自动调节,导致调度算法存在一定的局限性.文中提出一种面向同构集群系统的两阶段节能调度算法ATES(Adaptive Threshold-based Energy-efficient Scheduling).首先,设计一种基于自适应阈值的任务复制策略,该策略能够自动计算最佳阈值,利用该阈值获取近似最优的任务分组.然后,将各分组任务调度到支持DVS的处理器上,并充分利用任务之间的空闲时间降低处理器电压.该算法将任务复制策略与电压调节技术有机结合,在调度过程中能够自动调整阈值,有效提高调度算法的能效.为了验证ATES算法的合理性,通过典型应用进行仿真实验,并与常见任务调度算法进行比较,结果表明ATES算法能够更好地实现性能和能耗之间的平衡.     

适用于不确定环境中的DVS软实时调度算法

为了解决嵌入式软实时系统的节能问题,提出了一种DVS调度算法。它的特点是克服了任务执行时间不确定所带来的干扰,在运行时动态地寻找最优电压调节方案。实验表明：该调度算法可以很好地保证软实时系统的效率和稳定性,即使在处理器超载的情况下,也能自动调节,超过99%的作业可以在时间期限之前完成。对多种随机任务集的评测显示,该调度算法使得系统能耗平均减少15%以上。     

基于模糊逻辑的能量觉察反馈调度

嵌入式系统的节能问题是系统设计中的热点。在保证系统整体控制性能的前提下达到尽可能低的能耗,一直是嵌入式控制系统中能量管理的目标。由于诸多不确定性因素和负载的动态变化,嵌入式系统总是运行在不可预期的开放环境中。为了有效处理CPU负载变化及控制任务执行时间不确定等问题,提出了一种基于模糊逻辑的能量觉察反馈调度方法。反馈调度器动态调节CPU的处理速度,实现对CPU利用率的有效控制,从而提供了一种有效的能量管理机制。通过仿真实验与常规动态电压调整方法、传统方法以及理想情况进行比较,验证了该反馈调度方法的有效性。     

DVS技术中切换时间间隔分配的方法

动态电压调节(DVS)被认为是低功耗设计中最有效的一项技术.但在应用动态电压调节技术的过程中,需要考虑许多细节问题,才能使模型真正接近实际系统,从而在分析中得到较优的结果.本文正是在DVS中考虑到了电压切换产生的时延和能耗,以一种新的模型来分析功耗、改进算法,最终达到降低功耗的目的.文中提出了分配切换时间间隔的一种依据.     

一种视频服务器集群的动态反馈调度算法

目前采用集群技术是实现大规模视频服务的主要手段.本文在通过分析Linux服务器集群系统(LVS)的特点,视频服务器集群系统的负载调度研究中,针对请求的服务时间变化大的特点,提出一种动态反馈负载平衡算法,它结合内核中的加权连接调度算法,根据动态反馈回来的负载信息来调整服务器的权值,从而有效地解决服务器间的负载不平衡问题,提高了系统的吞吐率,使整个集群的综合负载率随规模增大而呈平滑增长.     

云环境下超启发式能耗感知调度算法

能耗感知调度的研究对云计算数据中心的可持续发展有着重要意义。能耗感知调度是一个NP难的多目标优化问题,目前云环境下的任务调度算法较少考虑能耗问题,且不能实现对能耗的灵活管理,随机搜索算法是一种解决该问题的有效途径,但其计算开销大,收敛速度慢。将异构云环境下的能耗感知调度问题定义为一个带约束的问题,即在一定的完成时间下优化系统能耗,以实现对能耗的灵活管理。此外,提出了基于在线学习的超启发式算法（OLHH）,该算法结合电压调节技术,在设计了简单高效的启发式策略集的基础上,引进超启发式算法,并采用在线学习的方式跟踪启发式策略的表现,实现对启发式策略的合理管理,从而达到提高算法的收敛性能的目的。模拟实验表明,该算法能够实现系统能耗的灵活管理,且比传统的随机搜索算法有着更好的收敛性能。     

基于辅助队列的硬实时混合任务节能调度算法

节能调度是当今实时系统研究的一个重要领域,其中混合实时任务节能调度技术研究刚刚起步.OLDVS算法是非常简洁的硬实时系统在线节能调度算法,但存在以下不足:不适应任务执行的动态变化,不能有效利用动态松弛时间,过于保守以致节能效果并不理想.据此,提出一种新的基于辅助队列的硬实时混合任务节能调度算法(OLDVS-AQ).通过引入一个额外的数据结构即辅助队列(Assisted Queue,AQ)来计算任务的最大完成时间,能够更有效地利用动态松弛时间进一步降低能耗.证明了该算法的可调度性,仿真实验结果表明,OLDVS-AQ算法始终优于OLDVS算法.平均提高约10%的节能效果.     

多核系统中基于Global EDF 的在线节能实时调度算法

随着多核系统能耗问题日益突出,在满足时间约束条件下降低系统能耗成为多核实时节能调度研究中亟待解决的问题之一.现有研究成果基于事先已知实时任务属性的假设,而实际应用中,只有当任务到达之后才能够获得其属性.为此,针对一般任务模型,不基于任何先验知识提出一种多核系统中基于Global EDF在线节能硬实时任务调度算法,通过引入速度调节因子,利用松弛时间,结合动态功耗管理和动态电压/频率调节技术,降低多核系统中任务的执行速度,达到实时约束与能耗节余之间的合理折衷.所提出的算法仅在上下文切换和任务完成时进行动态电压/频率调节,计算复杂度小,易于在实时操作系统中实现.实验结果表明,该算法适用于不同类型的片上动态电压/频率调节技术,节能效果始终优于Global EDF算法,最多可节能15％～20％,最少可节能5％～10％.     

网络控制系统中基于模糊反馈的消息调度

在网络带宽受限的情况下, 综合考虑了系统响应的误差和误差变化率, 设计了一个共享通信网络的模糊反馈调度器. 该调度器采用模糊最大优先调度算法对网络消息发送的优先级进行动态调整. 同时定义了一种归一化控制质量衡量指标来评价多回路系统的控制性能. 在此评价方法下, 对三种不同调度算法在不同随机时延序列下进行了仿真比较. 结果表明本文提出的调度算法优化了系统的控制性能, 并在不确定运行环境中具有更好的适应性.     

抢占阈值调度的功耗优化

DVS(Dynamic Voltage Scaling)技术的应用使得任务执行时间延长进而使得处理器的静态功耗(由CMOS电路的泄露电流引起)迅速增加.延迟调度(Procrastination Scheduling)算法是近年提出用于减少静态功耗的有效方法,它通过推迟任务的正常执行来尽可能长时间地让处理器处于睡眠或关闭状态,从而避免过多的静态功耗泄露.文中针对可变电压处理器上运用抢占阈值调度策略的周期性任务集合,将节能调度和延迟调度结合起来,提出一种两阶段节能调度算法,先使用离线算法来计算每个任务的最优处理器执行速度,而后使用在线模拟调度算法来计算每个任务的延迟时间,从而动态判定处理器开启/关闭时刻.实例研究和仿真实验表明,作者的方法能够进一步降低抢占阈值任务调度算法的功耗.     

一种确定处理器频率的节能调度策略

在数据中心动态电压调整(DVS)节能应用中,追求低的处理器执行频率不一定能获得好的节能效果。因为利用DVS技术降低电压/频率在降低系统功耗的同时,会导致系统性能的降低,引起执行时间增加。为此,通过分析实时系统数据中心实时事务基于DVS的能耗数学模型,结合事务执行时间与处理器频率的关系,推导一种仅依赖于服务器静态特征参数的处理器能效最优初始执行频率的计算方法。实例数据的计算结果表明,使用最优初始执行频率完成事务,比单一使用最大处理器频率可以节省30%左右的能耗。     

模糊反馈控制实时调度算法

为了解决模糊不确定任务集在不可预测环境下的动态抢占调度问题,应用模糊规则和模糊调度理论,提出一个基于模糊反馈控制的调度算法,并建立相应的调度架构.该架构由基本调度器和模糊反馈控制两部分组成.用模糊调度算法作为基本调度器的调度算法,将任务集按不同优先级等级进行划分,优先级等级高的任务优先调度,从而使得更多的重要任务得到调度;模糊控制器与任务流调节策略一起构成模糊反馈控制部分.仿真结果表明,模糊反     

多回路网络化控制系统级联反馈调度

针对动态环境下的多回路网络化控制系统，本文基于反馈控制与网络调度协同设计的思想，提出一种级联反馈调度策略．以优化系统整体控制性能为目标，根据可用带宽资源的动态变化，对控制回路采样周期进行在线调节，将截止期错过率控制在期望的较低水平，并对可用带宽进行优化分配．仿真实验结果表明，相对于传统设计方法，该方法能够明显改善整体控制性能．     

WSN软实时系统的DVS控制优化算法

为降低无线传感器网络（WSN）软实时系统中的能量消耗,建立能量消耗数学模型,引入离散事件系统框架中的优化控制问题使目标函数最小化,采用线性规划方法求解,得到一种可扩展的低复杂度算法,并对该算法进行优化。数值结果表明,应用优化算法对WSN节点进行动态电压调节,能在满足时限要求的基础上更大程度地节省节点能量。     

基于周期性模式匹配的动态电压调节预测算法

zengyi2008@163.com 1 概述 随着计算机在嵌入式、微型化和便携应用等方面的发展,功耗成为重要指标。对于整个计算机系统来说,降低功耗的设计主要从逻辑层、物理层和系统层3个层面来进行。其中,在针对处理器的功耗调节算法中,动态电压调节(Dynamic Voltage Scaling, DVS)[1]被认为是目前最有效的算法。它根据 CPU的负载状况对处理器的供电电压和运行频率进行动态调节,在保证性能需求的前提下降低能量消耗。其算法主要分为2类：基于时间间隔的DVS算法,基于任务的DVS算法。 近些年来,为支持DVS算法降低处理器的运行能耗,不同硬件制造厂商在逻辑电路设计方面相继公布了各种技术,如Intel的speedstep技术,AMD的PowerNow及Cool’n’Quiet技术。然而,实际应用中的动态电压调节算法或多或少会影响系统的性能,主要原因是DVS算法对下一时间片的任务量预测不够准确,难以适应系统需求。 本文在对现有DVS算法分析的基础上,针对past算法预测准确率低的现象进行了改进,在past预测方法中加入周期性模式匹配(Cycle Mode Matching, CMM)预测方式。并对改进算法进行了仿真对比,结果表明改进算法在用户干预少的情况下能有效提高预测的准确性。 2 相关工作 文献[1]给出了3种经典的电压调节算法：opt, past, future。opt和future算法假设可以看到将来一段时间内的CPU使用情况,降低工作频率将运行时间延伸以填补所有的空闲时间周期,从而减少能耗;past算法则将future算法向前看一个时间片改为往后看一个时间片,并假设前后2个时间片内处理器的工作量不变,从而预测出下一时间片处理器的工作量,调节频率以适应当前工作量,达到能耗的节省。     

Environment-conscious scheduling of HPC applications on distributed Cloud-oriented data centers

The use of High Performance Computing (HPC) in commercial and consumer IT applications is becoming popular. HPC users need the ability to gain rapid and scalable access to high-end computing capabilities. Cloud computing promises to deliver such a computing infrastructure using data centers so that HPC users can access applications and data from a Cloud anywhere in the world on demand and pay based on what they use. However, the growing demand drastically increases the energy consumption of data centers, which has become a critical issue. High energy consumption not only translates to high energy cost which will reduce the profit margin of Cloud providers, but also high carbon emissions which are not environmentally sustainable. Hence, there is an urgent need for energy-efficient solutions that can address the high increase in the energy consumption from the perspective of not only the Cloud provider, but also from the environment. To address this issue, we propose near-optimal scheduling policies that exploit heterogeneity across multiple data centers for a Cloud provider. We consider a number of energy efficiency factors (such as energy cost, carbon emission rate, workload, and CPU power efficiency) which change across different data centers depending on their location, architectural design, and management system. Our carbon/energy based scheduling policies are able to achieve on average up to 25% of energy savings in comparison to profit based scheduling policies leading to higher profit and less carbon emissions.     

基于嵌入式RTOS的闭环反馈调度算法的研究

分析了常见调度算法的特点,提出一种基于嵌入式实时操作系统的闭环反馈控制调度策略。针对任务的特点,从任务的周期与非周期性、I/O消耗和处理器消耗型两个方面对任务进行相应的反馈控制,使调度器具有一定程度上的自适应功能。并对实时操作系统μC/OS-II的内核调度算法进行改进,同时与EDF算法进行对比测试,可以看出改进后的调度算法在系统负载较重或系统过载的情况下表现良好。