论文部分内容阅读
随着科技的进步和时代的发展,嵌入式系统几乎应用在我们生活中的各个方法,如家用电子产品、通信、汽车和航空电子设备等。从这些应用中,我们可以观察到嵌入式系统发展的新趋势:第一,功能多样化;第二,低功耗和高性能;第三,自适应性。为了满足上述的需求,传统的单核处理器由于受到功率密度的限制,通过提高处理器的时钟频率已经很难满足这些需求,异构多核处理器(Heterogeneous Multi-Processes,HPMs)成为现代嵌入式系统的主流解决方案。对于异构多核处理器来说,如何充分利用它的并行性来提高系统的性能并降低功耗,需要解决的一个重要问题是任务的动态映射(或调度)问题。而动态映射问题的关键是要能够对系统的资源分配和调度方案进行性能等方面的评估,传统的性能评估方法有建立成本模型和仿真模拟两种方法,但是受到准确性以及高效性等方面的制约,不能得到广泛的使用。针对如何创建一种既能提高性能评估准确性,又能提高效率的方法,基于机器学习的方法能够自动的学习和分析系统行为并产生相应设计的解决方案,这无疑可以很大程度上减少设计人员的负担。本文分析了当前异构多核系统的发展趋势以及面临的问题,重点围绕异构多核系统的应用任务动态映射问题展开研究,提出了一种基于机器学习预测模型的在线映射调度解决方案。首先,本文分别采用两种离线监督机器学习方法:一种是使用支持向量机和自适应增强技术的分类学习,另一种是使用人工神经网络的回归学习,构建了三种可以快速地预测不同映射方案性能的性能预测模型;然后,针对运行时任务的动态映射和调度问题,将性能预测模型和遗传算法相结合,构造了一个在线任务动态调度方法,并通过实验与最优的映射方法和常见的轮询调度、抽样调度方法进行分析和比较。