異構(gòu)多核處理器已成為現(xiàn)代嵌入式系統(tǒng)的主流解決方案,而好的在線映射或調(diào)度方法對(duì)其充分發(fā)揮高性能和低功耗的優(yōu)勢(shì)起著至關(guān)重要的作用。針對(duì)異構(gòu)多核處理系統(tǒng)上的應(yīng)用程序動(dòng)態(tài)映射和調(diào)度問(wèn)題,提出一種基于機(jī)器學(xué)習(xí)、能快速準(zhǔn)確評(píng)估程序性能和程序行為階段變化的檢測(cè)技術(shù)來(lái)有效確定重映射時(shí)機(jī)從而最大化系統(tǒng)性能的映射和調(diào)度解決方案。該方案一方面通過(guò)合理選擇處理核和程序運(yùn)行時(shí)的靜態(tài)和動(dòng)態(tài)特征來(lái)有效感知異構(gòu)處理所帶來(lái)的計(jì)算能力和工作負(fù)載運(yùn)行行為的差異,從而能夠構(gòu)建更加準(zhǔn)確的預(yù)測(cè)模型;另一方面通過(guò)引入階段檢測(cè)來(lái)盡可能減少在線映射計(jì)算的次數(shù),從而能夠提供更加高效的調(diào)度方案。最后,在SPLASH-2數(shù)據(jù)集上驗(yàn)證了所提出調(diào)度方案的有效性。實(shí)驗(yàn)結(jié)果表明,與Linux默認(rèn)的完全公平調(diào)度（CFS）方法相比,所提出的方法在系統(tǒng)計(jì)算性能方面提高了52%,在CPU資源利用率上提高了9.4%。這表明所提方法在系統(tǒng)計(jì)算性能和CPU資源利用率方面具備優(yōu)良的性能,可以有效提升異構(gòu)多核系統(tǒng)的應(yīng)用動(dòng)態(tài)映射和調(diào)度效果。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用. 2020年10期 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

整體框架

圖2展示了運(yùn)行SPEC2006基準(zhǔn)程序測(cè)試集的gcc程序時(shí)其IPC值隨時(shí)間片變化的情況。圖2中的橫坐標(biāo)表示時(shí)間片的編號(hào)，每個(gè)時(shí)間片對(duì)應(yīng)的縱坐標(biāo)表示gcc程序在該時(shí)間片的IPC平均值。IPC值相對(duì)穩(wěn)定的時(shí)間片區(qū)間可以看作一個(gè)程序穩(wěn)定運(yùn)行的階段，從圖2可以看出程序在運(yùn)行時(shí)其IPC值會(huì)隨著時(shí)間發(fā)生階段性的變化，這種階段性變化會(huì)在相鄰兩個(gè)時(shí)間片的IPC發(fā)生明顯變化時(shí)出現(xiàn)。此外，還可以看到每個(gè)階段橫跨的時(shí)間有長(zhǎng)有短，有的階段維持的時(shí)間跨度甚至多達(dá)成百上千個(gè)時(shí)間片。由于在每個(gè)階段程序行為相對(duì)穩(wěn)定，因此就可以只在階段發(fā)生切換時(shí)對(duì)現(xiàn)有的系統(tǒng)映射進(jìn)行調(diào)整計(jì)算并尋找下一個(gè)階段的最優(yōu)映射方案，從而大大減少映射計(jì)算的次數(shù)，有效地降低在線計(jì)算的時(shí)間開(kāi)銷(xiāo)。由于階段切換時(shí)相鄰兩個(gè)時(shí)間的IPC變化較為明顯，因而通過(guò)檢測(cè)IPC變化幅度就可以檢測(cè)階段是否發(fā)生切換。為此本文通過(guò)在每個(gè)處理核上設(shè)置一個(gè)階段檢測(cè)器來(lái)完成階段檢測(cè)，工作原理是比較在相鄰兩個(gè)時(shí)間片所采集到的處理核上所運(yùn)行線程的IPC值的變化幅度與所設(shè)閾值的大小，如果變化幅度高于所設(shè)閾值則認(rèn)為階段發(fā)生切換。IPC波動(dòng)幅度δipc的計(jì)算公式為：，

在激活函數(shù)的使用上本文選擇了Re LU(Rectified Linear Unit）函數(shù)，該函數(shù)不含任何復(fù)雜的運(yùn)算（如指數(shù)級(jí)運(yùn)算），只擁有很小的計(jì)算量，可以最大限度地降低異構(gòu)多核調(diào)度中產(chǎn)生的在線預(yù)測(cè)時(shí)間開(kāi)銷(xiāo)。同時(shí)，Re LU函數(shù)在訓(xùn)練過(guò)程中也可以有效避免梯度飽和問(wèn)題，防止訓(xùn)練失敗的情況出現(xiàn)。詳細(xì)的ANN連接結(jié)構(gòu)如圖3所示。ANN性能預(yù)測(cè)器屬于機(jī)器學(xué)習(xí)中的回歸模型，因此本文使用回歸模型常用的均方誤差（Mean Squared Error,MSE）損失函數(shù)來(lái)對(duì)ANN性能預(yù)測(cè)器進(jìn)行訓(xùn)練。使用MSE函數(shù)訓(xùn)練ANN性能預(yù)測(cè)器時(shí)，整個(gè)ANN的梯度會(huì)隨MSE值的增大而增大，而MSE值趨于0時(shí)網(wǎng)絡(luò)的梯度則會(huì)減小，因此采用固定的學(xué)習(xí)率即可保證整個(gè)網(wǎng)絡(luò)可以有效地收斂，并在訓(xùn)練結(jié)束時(shí)取得良好的預(yù)測(cè)效果，所以本文將學(xué)習(xí)率設(shè)置為固定的0.001。

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)的異構(gòu)多核處理器系統(tǒng)在線映射方法[J]. 安鑫,張影,康安,陳田,李建華.  計(jì)算機(jī)應(yīng)用. 2019(06)
[2]性能非對(duì)稱(chēng)多核處理器下異構(gòu)感知調(diào)度技術(shù)[J]. 趙姍,楊秋松,李明樹(shù).  軟件學(xué)報(bào). 2019(04)



本文編號(hào)：2936780