基于任务映射与缓存划分的WCRT优化方法

为了降低系统最坏响应时间(WCRT),提出了一种基于任务映射与缓存划分的WCRT优化方法.该方法分为两个阶段,第一阶段采用任务在最佳缓存容量下的最坏情况执行时间(WCET)进行任务映射;第二阶段以满足系统的缓存容量约束为原则对映射后的任务进行缓存容量回收及任务映射的再调整,同时在两个阶段均兼顾系统的负载均衡.实验结果表明,该方法在降低系统最坏响应时间及执行效率方面都能获得良好的效果,系统最坏响应时间相比GCP算法平均降低了6.7%,相比ILP方法有更快的执行效率.

基于任务映射的暗硅芯片功耗预算方法

暗硅系统功耗预算问题可被归类为一种NP-hard问题,针对其存在的提高芯片均温与降低通信成本2个对立优化目标,提出了一种基于任务映射的暗硅芯片功耗预算方法。为降低计算复杂度,基于率先映射高通信量并对后续映射影响较小的任务的规则建立模型,将任务图转换为最大生成树的形式,以优先级值的大小决定任务进行映射的先后顺序。在稳态情况下逐个进行核心寻优,将排序后的任务放置于合适的核心位置,并以凸二次规划问题形式对已确定映射核心位置的功耗预算进行求解。实验表明:针对12开启核心的36核心系统,与经典的热安全功耗预算方法相比,所提方法将总功耗预算提高了11.8%,通信能耗降低了38.2%。

云数据中心基于任务映射的虚拟机选择策略

改变云数据中心虚拟机选择与放置的相互关系可提高云数据中心的整体性能。为此,提出基于任务映射的虚拟机选择策略。重点考虑任务粒度、虚拟机尺寸、物理主机计算能力等指标,将虚拟机选择与放置2个过程相互结合,分别设计Simple、Multiple(k)、Maxsize(u)和Relation算法,以此构建任务映射虚拟机选择的数学模型。基于Cloudsim模拟器的实验结果表明,通过该策略优化虚拟机选择与放置过程,可减少云数据中心的能量消耗和虚拟机迁移次数,节省云服务提供商的成本。

基于Trace的并行性能模拟任务映射方法

针对Trace驱动的并行性能模拟问题,提出基于Trace信息指导的映射方法CO-LP3M。CO-LP3M利用从Trace中提取的目标应用程序的通信特征,以宿主机物理进程间通信次数最小化为目标,兼顾计算负载均衡,生成并行模拟任务到宿主机的映射。对HPL程序进行实验,结果表明CO-LP3M可有效提高并行模拟性能,相对于常见的映射方式,模拟性能最多提高14.7%。在此基础上给出CO-LP3M的扩展技术SCO-LP3M。

基于异构并行环境的大型稀疏线性方程组求解的任务映射算法

本文基于异构并行环境，针对大型稀疏形线性方程组的并行求解，给出了求解方程组的静态任务映射，提出了合理的任务映射费用函数，并运用模拟退火算法寻找最佳任务映射，从而将一类不均匀任务合理地映射到异构并行环境中高效地并行求解。

基于蚁群优化算法的网格任务映射策略

针对网格环境下实现任务最优映射的问题,提出一种基于蚁群优化算法的网格任务映射策略(ACO-GTM)。该算法通过人工蚂蚁在构建图上行走构建初始解,利用最优改进2-选择局部搜索方法对初始解进行局部优化,并采用全局信息素更新与局部信息素更新相结合的信息素更新策略。最后通过实验与其他算法进行比较,表明所提出的映射算法在最优跨度和负载平衡方面具有明显的优越性。

一种GPU集群的动态任务映射策略

在3G网络的视屏计算中,需要解决逻辑复杂和数值运算密集的难题。为此,提出一种集中式动态任务映射策略。采用消息驱动方式,将任务初始分配,根据消息的内容进行实时优化分配,利用GPU集群的任务特征,设计对应的效益函数,以衡量任务映射策略的优劣。实验结果表明,该策略可以较好地协同各部分资源完成计算任务,并能适应集群的变化,在集群规模扩大或是有节点故障时均有比较稳定高效的性能。

异构计算系统的表调度式任务映射与调度算法

研究了在异构计算系统（ＨＣＳ）中利用表调度式算法进行任务映射与调度．给出两种异构静态优先级表调度式任务映射算法（ＨＳＰ和ＧＨＳＰ），以及一种异构动态优先级表调度式任务映射算法（ＢＨＤＰ）．实验结果表明，ＧＨＳＰ算法对于粗中粒度ＤＡＧ的调度效果稍好于ＨＳＰ算法，而ＢＨＤＰ算法对于粗粒度和细粒度ＤＡＧ的调度效果均明显优于ＨＳＰ和ＧＨＳＰ算法．

云服务中基于完工时间最小化的任务映射和路由方案

研究如何通过联合优化任务映射和路由选择,以便使一个工作周期内的所有任务的最大完工时间最小,将该问题表述为带有二次约束的整数规划(Integer Programming with Quadratic Constraints,IPQC)问题,经证明该问题为NP难题。为了解决IPQC问题计算量偏大的问题,提出一种具有多项式复杂度的启发式算法。通过全面的仿真实验,表明两阶段启发式算法的性能与最优解性能接近,且性能远优于当前其他算法。

基于完工时间最小化的任务映射和路由方案

针对云服务中,传统的任务映射方法忽略任务路由传输对于任务完工时间的影响,导致任务完工时间较长的问题,研究了如何通过联合优化任务映射和路由选择.为使一个工作周期内的所有任务的最大完工时间最小,采用带有二次约束的整数规划(IPQC,Integer Programming with Quadratic Constraints)方法对问题进行描述,提出一种具有多项式复杂度的启发式算法,解决了IPQC方法中计算量偏大的难题,并进行了仿真实验.结果表明,该算法的性能与最优解性能接近,且性能远优于当前其他算法.

一种基于数据划分和任务映射的并行调度算法

提出一种基于数据划分和任务复制与映射的片上多核处理器并行调度算法,该算法基于数据划分策略,优先将同一进程的线程节点放在同一处理核上执行,有效地降低任务调度的时间复杂度。为了避免任务负载不均衡,采用处理器核上的极限值来控制过载。为了达到最优的任务执行时间,采用任务复制与映射的策略,寻找关键任务并予以复制,从而充分利用处理器各个核的资源来提高任务的调度效率。实验分析表明,随着任务调度数量的不断增加,算法的任务完成时间总是最少的。

冒险模拟退火算法及其在任务映射上的应用

本文提出了一种冒险模拟退火算法。该算法将冒险计算引进模拟退火算法来处理任务映射问题。它引入任务图与费用函数的概念，不仅考虑到任务的计算时间，还考虑到任务间的通信时间。既确保了模拟退火的串行顺序，使解趋于最优，又缩短了达到最优所需时间，提高了并行计算效率。

面向可变架构云计算的任务映射方法

为基于主动认知重构计算的可变结构云计算,提供一个能平衡任务和资源均衡收益的任务映射算法,为主动重构提供一个重构评价依据。形式化描述了层次参数化任务流图和异构资源结构模型,在此基础之上提出了基于模糊化效用函数的二人非零和博弈的任务映射算法。实验表明,该方法针对具体应用、环境、运行状况等任务和系统资源参数,以Makespan、资源负载等为测试指标,取得了良好的测试结果,实现了应用和系统的均衡优化目标。

基于异构通信机制的任务映射算法

为提高结合共享存储器和片上网络进行核间通信的多核处理器的通信带宽使用效率,基于异构通信机制,提出一种改进的任务映射算法。使用分支定界算法缩小搜索空间,通过迭代交换任务的位置提高映射质量。实验结果表明,与NMAP算法相比,该算法对于随机任务图的通信代价平均降低18.3%,对于并行排序应用最高降低30.6%。

PPTM:一种面向异构系统的主动式任务映射方法

在数据高速增长的背景下,异构计算作为满足新兴应用不断提高的算力需求的有效途径,涌现了许多异构加速系统。在这些异构加速系统中,高效的任务映射是充分发挥加速器潜能提升应用程序性能的关键之一。先前工作提出了许多基于有向无环图如何最小化应用程序整体执行时间和最小化异构多处理器之间通信开销等高效的任务映射方法,这些工作通常采用将任务映射到加速器上来提高整个应用的性能。但某些应用程序如果将所有子任务全部映射到加速器上执行,会带来额外的通信开销,进而可能达不到提升性能的预期,甚至造成整个应用程序的性能下降。因此,本文提出了一种基于预测的主动式任务映射算法(PPTM)来应对这样的场景,实现高效的任务映射。实验表明,本文算法能够更准确感知计算任务的运行时状态,大幅提高应用程序的整体性能。

多Stream并行DAG任务映射策略

伴随大数据量的应用任务在中央处理器(CPU)与图形处理器(GPU)组成的异构处理平台上的部署日益广泛,如何高效利用GPU硬件中的并行资源,成为亟待解决的问题。通过对单GPU任务映射策略进行研究,提出多Stream有向无环图(MS-DAG)任务映射策略。通过分析DAG图中的节点依赖关系,根据节点依赖关系的不同,划分合理的并行分支,利用多Stream流水线并行的方式,实现适合GPU硬件特点的任务映射策略。通过与HEFT在不同条件下的性能对比,可以看出:当HEFT算法中的各处理器性能不一致时,MS-DAG任务映射策略的任务映射效率相比HEFT算法有约10%的提升;当HEFT算法中的各处理器性能一致时,MS-DAG任务映射策略的任务映射效率相比HEFT算法有30%的提升。

二次雷达识别方式的任务映射方法研究

二次雷达在目标探测识别中具有十分重要的作用。本文介绍了三种目标识别方式,并重点讲解了其任务映射方法,通过方法的描述和示意,能够让这三种识别方法更轻松的被应用,从而达到提升我们二次雷达目标识别探测效率的目的。现代二次雷达经过不断的发展,能够满足空管监视和目标识别等多种应用场景使用需求。在目标识别场景中,二次雷达通常需要完成多种方式的识别。本文将针对二次雷达主要的目标识别方式进行介绍,并重点讨论识别方式到二次雷达任务映射的方法。

众核任务映射算法研究现状与发展趋势

在众核系统中,并行任务在执行前需要被映射到处理器,这一过程被称为任务映射,任务映射算法对芯片性能影响巨大,所以近年来众核任务映射算法成为研究热点。针对不同的系统架构(如二维和三维众核系统)和优化目标(如通信开销、功耗、温度等)对现有任务映射算法进行综述,并展望了任务映射算法的未来发展趋势。

联邦学习任务在片上网络系统中基于DVFS的可靠映射机制分析

阐述在片上网络平台上联邦学习任务的分配与调度机制。通过将联邦学习建模为任务DAG图,并综合考虑平台计算资源、通信能力,实现在实时性、相关性、执行可靠性约束下的任务优化映射。

基于层次任务网络的作战任务 系统功能映射方法

针对作战任务系统功能映射问题,建立了作战任务与系统功能的模型。基于任务/能力可以分解的特点,将映射问题转化为智能规划问题,并利用层次任务网络(hierarchical task network,HTN)方法对该问题进行求解。针对HTN规划器无法处理多属性输入的问题,基于递归的思想设计了任务分解算法,使得分解后任务转化的规划问题适配HTN规划器。针对多个映射方案的整合问题,基于邻接矩阵设计了多方案的整合算法,从而得到了满足任务需求的系统功能映射方案。仿真实验结果表明,所提方法能够有效实现作战任务到系统功能的映射。