一种测试嵌入式Linux调度延迟的方法

介绍了Linux的调度策略及其调度延迟改进策略，结合Intel X86处理器特点提出了一种测试Linux调度延迟的方法。在阐述该测试方法的实现原理的同时对关键部分进行了伪代码说明。最后，针对不同的内核版本进行测试，验证了Linux的抢占补丁和低延时补丁的实现原理和结果。

分布式无线传感网中低延迟数据调度算法研究

分布式无线传感网中节点数据量增大,会导致节点能耗不均匀,数据传输过程出现低延迟现象,影响数据传输效率。为解决这一问题,提出分布式无线传感网中低延迟数据调度算法研究。基于分布式无线传感网络结构分析了低延迟数据调度延迟的主要因素,依据分析结果采用MDAS-ST算法,建立低延迟初始信息数据,对低延迟数据节点构建父节点候选集,建立低延迟数据候选调度模型,以低延迟数据父节点候选集为主,从中选取一个父节点,并分别分配到分布式无线传感网络时隙内;建立低延迟数据调度序列,利用该序列实现低延迟数据的调度研究。仿真结果表明,该方法的平均发送次数约为1.2次、调度延迟为322μs、网络吞吐率为99%,能耗为500 nJ/bit。

基于数据中心负载分析的自适应延迟调度算法

由于已有的延迟调度算法基于静态的等待时间阈值,因此不能适应云计算数据中心动态的负载变化。针对该问题,提出了等待时间阈值自适应调整模型。基于该模型,设计了自适应延迟调度算法(ADS)。ADS算法通过分析空闲计算节点的到达强度、网络带宽和作业执行状态等参数,自适应调整等待时间阈值,以减少作业响应时间。基于开发的原型系统,验证了自适应调整模型,测试了算法性能。结果表明,ADS算法在作业响应时间等方面优于已有的延迟调度算法。

基于负载均衡的Hadoop动态延迟调度机制

调度问题作为影响Hadoop集群性能的关键因素而成为研究的热点.延迟调度是常用的提高数据本地性和Hadoop集群性能的方法,但现有的延迟调度算法基于固定的等待时间,而且没有充分考虑集群的负载均衡.本文提出基于负载均衡的动态延迟调度机制DDS(Dynamic Delay Scheduling).DDS首先基于灰色预测模型,预测未来时刻空闲节点的到达速率;然后结合集群负载状况和作业执行进度,给每个任务设置合理的延迟等待时间,避免任务的无效等待.任务调度充分考虑节点的实际负载量,防止节点负载过重而导致任务执行缓慢甚至失败,从而缩短作业的总完成时间.实验表明,DDS在作业的总完成时间和负载均衡方面优于传统的延迟调度算法.

基于动态等待时间阈值的延迟调度算法

针对已有的延迟调度算法存在的两个问题,即建立在节点会很快空闲的理论假设下有一定限制,当节点不会很快空闲时算法性能严重下降和基于静态的等待时间阈值不能适应云计算数据中心动态的负载变化及不同用户作业的需求,提出了一种基于动态等待时间阈值的延迟调度算法(dynamic waiting time delay scheduling,DWTDS)。该算法通过给无本地数据节点设置节点最大等待时间,以适应节点不会很快空闲的情况;通过分析数据中心各动态参数,根据概率模型调整作业的等待时间阈值。实验验证该算法在响应时间及负载均衡性方面优于已有的延迟调度算法。

同构Hadoop集群环境下改进的延迟调度算法

在Hadoop框架下计算资源和数据资源可以在不同物理位置的特点产生本地化问题。延迟调度算法的产生旨在解决本地化问题,此算法根据任务待处理数据的物理位置作为作业的计算节点,调度任务至目标节点。但是可能出现同一作业中若干任务集中运行在某一计算节点,导致作业达不到理想的并行效果。针对原有的延迟调度算法,提出延迟一容量调度算法,允许部分任务选择非本地化节点作为原延迟调度算法中任务的目标计算节点,以提高作业的响应时间与增加作业的并行程度。最后通过实验对比分析,改进后的算法在执行效率和并行效果明显优于原延迟调度算法。

一种短作业环境下的延迟调度算法

针对短作业场景下YARN平台中延迟调度算法基于静态时间等待阈值,不能进行合理等待的问题,提出了一种云计算环境中基于本地性资源预测的延迟调度算法(locality resource forecast delay scheduling,LRFD)。该算法综合考虑短作业和资源可用性动态变化的特点进行任务调度,根据节点上任务的完成进度和作业未处理数据在集群中的分布状况预估作业的本地性资源信息,从而判断是否需要进行等待以提高系统性能,实现了对本地性资源的合理等待。实验结果表明:在短作业场景下,LRFD算法的性能和稳定性均优于已有的延迟算法,作业性能平均提升约10%,最大加速比可达3倍以上。

OBS网络中的多BHP延迟调度算法

光突发交换(Optical Burst Switching,OBS)是下一代光网络中的有效核心交换技术之一。在OBS网络中, 核心节点的调度方案是影响网络交换性能的重要因素。如何有效地对突发分组(Burst)进行合理调度,以减少丢包 率正是关键问题所在。该文提出了一种多控制分组(Burst Header Packet,BHP)延迟调度算法,对于一个收集周期 内到达的多个BHP所对应的突发数据,按照一定的方式对它们进行集中调度,实现对已预约资源的更改,使调度 结果得到了优化。该算法根据不同的网络应用,可细化为4种具体的算法实现,以适用于不同的应用场景。仿真结 果表明,该文提出的调度算法和已有算法相比,能够优化对突发分组的调度,提高对信道资源的有效使用,从而降 低交换网络的丢包率。

Hadoop延迟调度中延迟时间间隔的合理设置

基于Hadoop框架的云计算中,为减少数据迁移提高程序执行效率,延迟调度算法允许作业花费一定的延迟时间间隔等待某计算资源包含该作业待处理数据,而延迟时间间隔的选择往往是一个经验值。在分析了作业待处理数据在文件系统中的分布情况如何影响作业本地化调度的基础上,引入参数用户期望本地化概率,推导出等待时间的计算公式。该公式区分不同的作业,设置不同的等待时间,并且用户可以根据期望本地化概率这一参数来调控作业预期的本地化程度。对上述方法进行实验验证,结果表明:通过公式计算出的延迟时间能够使得作业达到用户预期的本地化效果。

Hades高可信架构中固定延迟分区实时调度

为了增强不同安全等级的复杂嵌入式安全关键系统的高可信能力,Hades架构以"时空隔离"思想和分区机制为基础,各分区分时共享系统物理资源.针对Hades中分区的实时调度问题,提出一种固定延迟分区调度模型,并采用优先级位图算法设计了分区级和任务级两级调度机制;为了保障分区中所有实时任务的可调度性,对分区中任务组采用单调速率调度和最早截止时间优先2种调度策略,并分别给出任务可调度条件.最后,通过仿真实验进一步验证了该调度模型的有效性.

面向MapReduce的自适应延迟调度算法

MapReduce已经成为主流的海量数据处理模式,调度作为其中的关键环节已受到业界的广泛关注。但是,已有的调度算法难以达到公平性和数据本地性之间的平衡,提出一种动态自适应的延迟调度算法,针对公平延迟调度算法静态设置延迟时间的不足,根据节点的释放速度动态调整作业的延迟等待时间,避免了节点释放速度快时,作业因静态延迟时间而进行的无效等待,从而减少了完成整个作业的响应时间。通过对基于Hadoop平台实现的原型系统的文本排序实验测试表明,自适应的延迟调度算法相比已有的延迟调度算法在作业响应时间方面提升5%～8%。

基于延迟调度策略的reduce调度优化算法

在大规模的Hadoop集群中,良好的任务调度策略对提高数据本地性、减小网络传输开销、减少作业执行时间以及提高集群的作业吞吐量都有着重要的影响。针对Hadoop架构中reduce任务的数据本地性较低问题,提出了一种基于延迟调度策略的reduce任务调度优化算法,通过提高reduce任务的数据本地性来减少作业执行时间以及提高作业吞吐量,该算法在Hadoop架构的early shuffle阶段,使用多级延迟调度策略来提高reduce任务的数据本地性。最后重写原生公平调度器代码实现了该调度算法,并与原生公平调度器进行了对比实验分析。实验结果表明,该算法明显减少了作业执行时间,提高了集群的作业吞吐量。

基于任务分类的延迟调度算法

MapReduce已经成为主流的海量数据处理模式,任务调度作为其关键环节已受到业界广泛关注.针对已有的延迟调度算法存在的问题,即建立在任务都是短任务的理论假设有一定限制,当节点处理不同长度的任务时算法性能严重下降和基于静态的等待时间阈值不能适应不同用户的作业需求,提出了一种基于任务分类的延迟调度算法.该算法通过给不同长度的任务设置不同的等待时间阈值,以适应不同作业的响应需求.通过分析各动态参数,根据所建任务模型调整任务的等待时间阈值.仿真验证该算法在响应时间及负载均衡性方面优于已有的延迟调度算法.

基于可延迟调度提升实时数据对象时序一致性服务质量算法

针对保证实时数据对象时序一致性调度算法在软实时数据库系统环境下的应用问题,提出了一种基于概率统计的可延迟优化(SDS-OPT)算法。首先,分析和比较了现有算法在可调度性、服务质量(Qo S)以及工作负载方面的特征与不足,指出优化现有算法的必要性;然后,利用最速下降法提升作业的执行时间筛选基准值,进而增加实时更新事务可调度的作业数量,以确保实时数据对象的时序一致性服务质量(Qo S)最大化;最后,从工作负载和服务质量两个方面对所提算法和现有算法的性能进行对比分析。仿真实验结果表明,相对于已有的针对固定优先级可延迟调度算法(DS-FP)和统计性的非确定性可延迟调度算法(DS-PS),所提算法能够保证实时数据对象的时序一致性,同时降低工作负载,服务质量提升明显。

基于云计算的资源延迟感知任务调度优化

针对网络任务调度不合理延迟率高的问题,笔者提出基于云计算的资源延迟感知任务调度优化研究,通过构建任务模型和资源消耗模型,建立云计算的资源延迟感知任务调度模型,将资源延迟感知任务调度集成到滚动优化,形成具有资源延迟感知能力的调度优化算法,对模型进行求解实现任务的合理调度。经实验证明,使用基于云计算的资源延迟感知任务调度优化方法,有效降低了网络延迟率。

基于RISC-V GCC编译器的指令延迟调度

本文通过对RISC-V GCC编译器的改进和优化,为进一步研究和优化RSIC-V GCC奠定了编译器基础,更为快速研究新型的RISC-V指令集架构处理器起着重要的推动作用。在深入分析RISC-V GCC中表调度算法得出编译器可以计算出指令停顿的位置和拍数,指令延迟调度技术是在编译器中静态调度指令达到动态调度的效果以避免流水线冒险和特殊时序带来的问题。验证了使用指令延迟调度技术的编译器的性能和正确性,并在火苗原型系统和超导模拟器上运行测试通过。

Linux操作系统调度器实时性能的研究和改进

Linux操作系统在嵌入式实时系统中得到了广泛的应用,有效地提高Linux有限的实时性能是一个重要问题,Linux内核调度器实时性能的改进又是其中的关键。该文分析了Linux操作系统调度器的工作机理,指出了影响其实时性能的原因,详细地描述了实时性改进的方案和实现,并给出了改进后的测量结果及评价。

设备级OS中任务调度的IO抖动优化策略

为了减小任务调度产生的抖动对设备级操作系统的稳定性和可靠性的影响,提出了一种带有抢占阈值的任务分割模型RJPS.根据抢占阈值对任务调度的抖动与延迟的影响及该模型下任务可调度性的分析,分别设计了基于固定优先级调度和动态优先级调度策略的最小阈值分配算法.仿真结果表明,该模型可以在保证任务集可调度的前提下明显减少任务的IO抖动.

软件流水中隐藏存储延迟的方法

软件流水是一种重要的指令调度技术,它通过同时执行来自不同循环体的指令来加快循环的执行速度.随着处理机运行速度的逐渐提高,存储访问延迟成为性能提高的瓶颈.为了减轻存储系统影响,软件流水结合了一些存储优化技术,通过隐藏存储延迟来提高性能.提出了一种延迟可预测的模调度算法(foresightedlatencymoduloscheduling,简称FLMS),它根据循环的特点来确定load指令延迟.实验结果表明,FLMS算法减少了阻塞时间,提高了程序性能.

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.