Variation-Aware Task Mapping on Homogeneous Fault-Tolerant Multi-Core Network-on-Chips

A variation-aware task mapping approach is proposed for a multi-core network-on-chips with redundant cores, which includes both the design-time mapping and run-time scheduling algorithms. Firstly, a design-time genetic task mapping algorithm is proposed during the design stage to generate multiple task mapping solutions which cover a maximum range of chips. Then, during the run, one optimal task mapping solution is selected. Additionally, logical cores are mapped to physically available cores. Both core asymmetry and topological changes are considered in the proposed approach. Experimental results show that the performance yield of the proposed approach is 96% on average, and the communication cost, power consumption and peak temperature are all optimized without loss of performance yield.

语义任务与形式任务对二语词汇形义匹配的影响——对加工资源分配模型的验证

本研究采用拉丁方设计,考察任务类型对二语词汇即时学习的影响,并从词汇形义匹配的角度对加工资源分配模型(即TOPRA模型)的适用性进行验证。51名非英语专业一年级大学生分别在语义任务、形式任务和无任务3种条件下学习24个英语单词,之后接受单词自由回忆和单词提示回忆的即时测试。结果发现:在一语自由回忆测试中,任务类型显著影响词汇意义的学习,语义任务对词汇意义的学习有促进作用,而形式任务对词汇意义的学习有抑制作用;在二语自由回忆测试中,任务类型对词汇形式的学习没有影响;在一语和二语提示回忆测试中,任务类型显著影响二语词汇的即时学习效果,语义任务和形式任务都对词汇形义匹配知识的学习有抑制作用。本研究部分验证了TOPRA模型的适用性,希望可以为二语词汇教学提供一定的借鉴和参考。

温度感知的MapReduce节能任务调度策略

现有的FIFO、Fair、Capacity、LATE及Deadline Constraint等Map Reduce任务调度器的主要区别在于队列与作业选择策略的不同,而任务选择策略基本相同,都是将数据的本地性(data-locality)作为选择的主要因素,忽略了对Task Tracker当前温度状态的考虑。实验表明,当Task Tracker处于高温状态时,一方面使CPU利用率变高,导致节点能耗增大,任务处理速度下降,导致任务完成时间增加;另一方面,易发的宕机现象将直接导致任务的失败,推测执行(speculative execution)机制容易使运行时任务被迫中止。继而提出温度感知的节能任务调度策略,将节点CPU温度纳入任务调度的决策信息,以避免少数高温任务执行节点对作业整体进度的影响。实验结果表明,算法能够避免任务分配到高温节点,从而有效地缩短作业完成时间,减小作业执行能耗,提高系统稳定性。

Map任务对分片网络资源调度的弊端与改进

对分片网络资源进行调度,在提高网络资源管理方面具有重要意义。传统的调度方法采用多路复用的分片网络资源调度,由于对路径进行重复使用,使得路径特征发生动态性变化,导致网络资源调度时间长,准确率低。提出基于子序列模糊决策Map任务的分片网络资源调度方法,构建分片网络资源数据分布结构模型,对资源数据进行融合再分解,获取解密资源,并对动态资源数据的接收点进行逻辑编码,获取资源数据特征,再依据数据特征对资源进行分配。仿真实验结果表明,采用改进的算法对分片网络资源进行调度,所需调度时间短、准确率高。

陆地生态系统碳监测卫星自主任务规划研究

低轨遥感卫星往往以全球或全国范围内的特定地物为探测目标。为提高卫星在轨运行的自主性,文章提出了一种面向地物目标属性的遥感卫星自主任务规划方法。首先外推出预报点90 min后的星下点经纬度,并根据星载地图和太阳高度角,得到预报点的阳照/阴影、陆地/海洋、境内/境外属性。对地物目标属性信息进行平滑处理后,根据各载荷的地物目标属性,识别出各载荷的工作任务时间段,可实时实现提前约1个轨道圈的载荷自主任务规划。

截止日期约束的云中资源调度成本优化算法

随着越来越多的工作流应用程序部署在云端,如何在满足工作流截止期限约束的前提下优化资源调度成本成为一个热门研究领域。本文提出了一种截止日期约束的成本优化(CODC)算法。首先,合并工作流任务以减少不同实例之间的数据传输开销。其次,关注父任务和子任务对当前任务优先级的影响,并考虑任务的子截止日期未被满足的情况,以选择最早完成任务执行的实例。最后,在5种工作流上与现有算法进行对比。与3种对照算法相比,CODC算法具有更低的工作流执行成本。

面向超低空物流场景的多机协同航迹规划算法

无人机产业的迅猛发展促进了低空开放,形成了国内外城市超低空物流运输的浪潮,然而,现有的航迹规划算法没有考虑空域的划分方式与运行规则,不适用于城市超低空物流场景下多无人机的协同航迹规划,桎梏了超低空物流行业的发展。针对该问题,从实际需求出发,在空域高度层架构的基础上探索适用于城市超低空物流场景的多无人机协同航迹规划方法。将原问题分解为无人机-高度层任务分配与多无人机单高度层协同航迹规划两个相互耦合的子问题,并分别运用基于知识图谱的任务分配解法与基于粒子群算法的改进人工势场法对两个子问题进行求解。仿真实验表明,该方法在求解单高度层协同航迹规划子问题中不但能够避免传统方法的固有缺陷,平均迭代次数相较于对比方法也减少了62.09%;同时,仿真结果也表明所提方法可以快速鲁棒的解决原问题,为城市超低空物流场景提供了切实可行的多机航迹规划方法。

DMS算法在Map/Reduce任务调度中的应用

云环境下传统的任务调度算法整体效率较低,为了提高任务调度的整体效率,在Map/Reduce基础上提出了一种基于处理时间的DMS任务调度算法。首先,对复杂任务进行预处理,将复杂任务转化为DAG图,依据任务依赖关系大小产生最佳拓扑排序,并依据排序结果将复杂任务交给work节点进行处理;其次,通过将节点处理任务的预测时间与节点处理能力的比值作为子任务在每个节点的处理"时间"进行量化建模,建立任务和处理时间的度量矩阵,依据DMS算法进行处理,从而获得任务分配最佳方案;最后,从任务调度效率与资源使用率的角度将DMS算法与公平调度算法、遗传算法行对比验证。实验结果表明,DMS算法能明显提高任务调度整体效率,充分利用各节点的计算能力提高了Map/Reduce的调度效率。

Map/Reduce下快速剪枝算法在复杂任务调度中的应用

云环境下传统任务分配与调度算法对于复杂任务调度的整体效率较低,为了提高Map/Reduce对复杂任务分配调度的整体效率,提出了一种基于任务处理时间的快速剪枝算法。该算法首先将复杂任务按照任务依赖关系大小进行最佳拓扑排序,使任务按顺序执行,从而提高调度准确率。然后使用节点处理任务的预测时间与节点处理能力的比值作为子任务在每个节点的处理时间进行量化建模,建立任务和处理时间的度量矩阵,通过采用按阶剪枝方法逐渐缩小任务分配规模,对N个节点处理N个任务的分配问题,进行N-1次操作可获得任务分配的最优解。运用Hadoop平台进行实验验证,从任务调度效率与资源使用率角度将剪枝算法与公平调度算法、遗传算法和GRAPHENE算法进行对比验证。实验结果表明剪枝算法能明显提高任务调度的整体效率,充分利用各节点的计算能力提高Map/Reduce调度效率。

一种基于粗糙集的Map任务视图优化策略

MapReduce的实质是将运行于大规模集群上的并行计算过程高度地抽象为两个函数(Map和Reduce).为了生成和优化Map任务视图,对输入的数据集进行预组织是其关键步骤.引入粗糙集中的知识约简思想并给出优化方案.首先对已有的复杂、大规模任务集进行迭代约简,得到任务更新后的子视图等价类,然后基于时间开销最小的任务集分别计算其最优属性,根据最优属性集删除冗余视图,最后得到优化后的任务组合视图,用于并行处理.仿真实验表明:与约简优化前相比,MapReduce算法在处理同一任务时避免了不必要的复杂性,在运行时间和运行效率上均具有较好提升.

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。

面向学科核心素养测评的课程图谱研究:价值探析、模型构建与应用

学科核心素养测评是完善人才培养和选拔机制的重要方面,已成为推动新时代基础教育改革的关键。鉴于学科核心素养在具体内涵和表现机制上的综合性与复杂性,实践视域下落实素养测评的探索仍然面临着测评项目属性把握困难、测评项目针对性不强等现实困境。为全面刻画表征学生在利用学科知识解决问题的过程中反映出来的素养,研究依托课程图谱可视化测评的优势,基于理论分析法,构建了以学科核心素养点为顶层指引、以学科知识体系为基础、以各种表现水平任务为核心的课程图谱结构模型;然后基于该模型,以初中物理学科为例构建了课程图谱实例,并在实际教学测评应用中取得良好的效果;最后,从支持计算机自适应测试开展、助力个性化学习追踪与诊断、优化习题训练智能导学过程的视角给出了课程图谱的数字化应用场景,为构建符合时代新要求的素养评价机制提供方向指引、理论框架和方法借鉴。

基于异构组网的跨域任务调度

为提高航电系统在异构组网下的跨域协同任务调度能力,提出一种基于能力与任务映射的分布式跨域任务调度方法。该方法借鉴马赛克战的概念,按照任务需求动态调度资源;面向完整的任务流程构建感知子网、决策子网和响应子网,针对不同子网的功能指标进行能力的统一量化;任务分解成子任务,子任务进一步分解为匹配能力的服务需求,进而完成能力与服务需求的映射,在满足映射条件下进行异构组网的协同任务调度。利用OMNeT++仿真平台将该方法与战术数据链和战术云网络进行对比分析,其仿真结果表明,该方法相比战术云网络架构,数据包吞吐量提高29.1%,任务组完成时间平均减少36%,并且可以降低消息传输时延。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

顾及路网约束的深度地图匹配方法

在低频或非均匀采样条件下,已有的地图匹配算法存在匹配精度不高或效率较低的问题。本文提出了一种顾及路网约束的深度地图匹配方法(RNCMM)。该方法首先利用Seq2Seq框架将低频轨迹点序列端到端地映射为高频路段序列;其次根据道路与轨迹点间的距离、方位差构建细粒度约束掩模层,有利于缓解轨迹网格表示的局限性,提高匹配精度;然后引入注意力机制和多任务学习机制,挖掘轨迹点间的时空关联性,并进行路段与方向的联合预测;最后在Porto出租车轨迹数据集和OSM路网上进行试验。结果表明,相较于传统的隐马尔可夫模型(HMM)算法,本文方法可以有效地提高低频浮动车轨迹的匹配精确度和效率。

基于 DLBSOM 的水下机器人集群任务分配与路径规划

为保证多自主水下机器人(Multiple Autonomous Underwater Vehicle,MAUV)在多目标冲突条件下执行探测任务,提出一种双层生物自组织映射(Double Layer Bio-inspired Self-Organism Map,DLBSOM)算法完成自适应正向-反向初始任务分配。针对受洋流和单体AUV有限能耗影响的MAUV探测任务容易出现的无效任务分配问题,引入一种带有能量激活函数的任务重分配策略来优化任务。建立任务紧迫性生物启发神经网络(Task Urgency Bio-inspired Neural Network,TUBNN)模型描述受洋流影响的水下环境,引入基于模糊互补判断矩阵的距离和供能强度因子,以说明洋流和任务重分配轨迹距离的相互影响。当AUV进入以目标为中心的预警范围时,通过调整AUV的速度实现对目标的精细探测。结合AUV转弯半径数据和非线性运动学方程,对路径进行平滑处理,使其符合水下机器人的运动学约束。最终通过仿真试验验证该方法的可行性和有效性。

大数据挖掘中的MapReduce并行聚类优化算法研究

针对传统数据挖掘算法只适用于小规模数据挖掘处理,由于数据规模不断增大,其存在计算效率低、内存不足等问题,文中将MapReduce用于数据挖掘领域,对大数据挖掘中的MapReduce进行了并行化改进,并设计相应的并行化实现模型,以期满足大数据分析需求,完成低成本、高性能的数据并行挖掘与处理。

基于Map Reduce的车辆移动云任务调度算法研究

车辆移动特性导致移动车辆云任务调度可靠性问题愈发复杂化,据此本文基于Map Reduce提出了车辆移动云任务调度算法,引进了混合整数线性规化最优化方法。通过Map Reduce进行车辆移动云任务调度建模,同时设计了最低复杂度调度算法,在减少任务执行延迟时间的基础上,保障了任务调度可靠性。以仿真分析验证了车辆移动云任务调度算法性能,结果表明,本文设计的OTS算法(移动云最优任务调度算法)的作业执行时间、调度成功率、吞吐量等相关性能明显较优,即作业执行时间非常少,保证可靠性,任务调度成功率较高,执行与输出传输延迟问题较少;吞吐量较高。

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。