【摘 要】
：
响应时间分析（Response Time Analysis,RTA）方法在全局最早截止期优先（Global Earliest Deadline First,G-EDF）调度下实时任务集的可调度性分析中具有举足轻重的地位。G-EDF调度的核心思想是通过比较作业的绝对截止时间来判断它们的优先级,绝对截止时间与优先级成反比。RTA方法通过比较每个任务的最坏情况响应时间（Worst-Case Respon
论文部分内容阅读
响应时间分析（Response Time Analysis,RTA）方法在全局最早截止期优先（Global Earliest Deadline First,G-EDF）调度下实时任务集的可调度性分析中具有举足轻重的地位。G-EDF调度的核心思想是通过比较作业的绝对截止时间来判断它们的优先级,绝对截止时间与优先级成反比。RTA方法通过比较每个任务的最坏情况响应时间（Worst-Case Response Time,WCRT）和相对截止时间来判断任务集的可调度性。现有的RTA方法为了安全地计算每个任务的WCRT,将前部作业的响应时间视为生成该作业的任务的WCRT,导致其接受率较低,在大规模的任务集中表现较差。为此,提出了一种考虑繁忙时段受限的接受率改进方案,其核心思想是在工作量的计算中限制前部作业的繁忙时段长度。该方案利用最大受限工作量来计算每个任务的前部任务最大工作量和前部干扰量上界,并据此得到总干扰量上界,安全地降低了总干扰量上界的预估值,从而提高RTA方法的接受率。然而,这也导致RTA方法执行时间较长。分析其计算流程发现,接受率改进后的RTA方法存在两处可优化的冗余计算。据此提出了一种考虑属性关联的执行时间改进方案,其核心思想是利用任务间属性的关联关系来降低方法中的冗余计算。在RTA方法的迭代分析过程中,如果当前WCRT的计算满足执行时间改进的条件,则可对计算进行优化。该方案能在不降低原有方法接受率的前提下降低方法的执行时间。通过引入上述两个改进方案,提出了一种G-EDF调度下限制繁忙时段的RTA方法。设置对比实验,对比了两个主流的RTA方法。采用控制变量的策略,分别就处理器数、周期区间和总利用率对RTA方法的影响进行了实验分析。实验结果表明,所提出方法的平均接受率比现有两个RTA方法分别高出约10%和20%;执行时间改进方案在参数较大的情况下可使接受率改进后的RTA方法的平均执行时间下降约95%。
其他文献
随着社会经济的发展,城市道路网络交通拥堵传播现象频繁发生,开展交通拥堵传播研究具有重大理论和实际应用的价值。论文旨在通过建立交通拥堵传播模型,进行交通拥堵传播过程仿真与分析,为制定路网优化策略、缓解交通拥堵提供参考。论文以城市道路网络为研究对象,在分析城市道路网络交通拥堵传播机理的基础上,构建节点拥堵传播重要度评价模型并确定拥堵传播重要度等级划分标准;在此基础上研究构建考虑节点拥堵传播重要度的城市
物联网时代下,操作员可以通过分析传感器等相关设备产生的多元时序数据,及时检测出时序数据中存在的异常,从而排除设备故障,以确保设备正常运行,避免异常造成的损失。然而,由于多元时序数据之间存在复杂的变化模式,多元时序异常检测面临很大的挑战。目前,主流的多元时序异常检测方法大多只考虑时序数据在时间上的依赖关系,或者大多专注于对原始时序数据进行精准重构,而忽略了多元时序数据之间存在的隐藏联系,这制约了多元
管道作为重要的油气资源运输通道和城市生命线工程的重要组成部分,其安全可靠运行必须得到保障。在永久地面位移（PGD）和运营期荷载作用下,管道和地基土之间会发生相对运动可造成管道受损甚至破坏。管土之间存在明显的相互作用,这是管道力学响应的关键影响因素,因此有必要对其进行深入研究以提高对管-土相互作用的认识,同时为管道设计提供参考。本文研究的主要目的是揭示中密至密实砂土中埋地管道在竖向-横向空间中的管-
随着电子商务平台和社交媒体的应用愈加广泛,越来越多的用户倾向于在各大软件平台上发表评论。对这些文本进行情感分析,可以知晓用户态度,给多个领域带来巨大的商业应用价值。对象级情感分析任务可以分成评价对象抽取和评价对象情感分类两个子任务,即先抽取语句中的所有评价对象,再判断每个对象的情感极性。评价对象抽取模型存在的问题有:只使用通用词嵌入,缺少特定领域专有名词的语义信息;忽略历史标注信息与当前标签预测的
二维矩形装填面积最小化问题（Rectangle Packing Area Minimization Problem,RPAMP）要求将一组已知尺寸的矩形模块不重叠地、正交地放置在一个平面内,并使整体布局的面积最小化。RPAMP问题是经典的具有NP-难度的组合优化问题,在工业界也有广泛的应用,如工业原材料的切割和装填、芯片设计的布局规划等。因此,研究求解RPAMP问题的高效算法具有重要的理论价值和实
监督学习由于其强大的非线性表征能力已经成功应用在文本分类,语音识别,图像分类等领域,并在全监督图像分类任务上取得了巨大成功。然而,监督学习需要大量标签样本,这在实际应用场景中难以满足。因此,使用大量无标签样本以及少量标签样本的半监督图像分类算法逐渐成为图像分类领域的研究热点。本文重点研究半监督图像分类算法中结构简单、方法有效的自训练图像分类算法,分析了现有方法存在伪标签噪声和类别不平衡两大主要问题
工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数,高斯混合模型是业内最广泛使用的技术之一。深度自编码高斯混合模型（Deep Autoencoding Gaussian Mixture Model,DAGMM）是基于高斯混合模型改造的深度异常检测技术,虽然在生产设备数据集上性能相对较优,但是仍有提升的空间。由于DAGMM所采用的深度自编码器的瓶颈层,
深度学习在自然语言处理（Natural Language Processing,NLP）领域的各项任务上取得了较好的成果,但是深度学习模型由于具有复杂的网络结构、海量参数的特点,内部决策过程难以被理解,模型的预测行为缺乏可解释性。目前针对深度学习在自然语言处理领域的可解释性研究分为两条路线:事后解释方法和自解释模型,事后解释方法从模型的预测结果出发,推断输入中哪些单词对模型预测结果的贡献程度高,自
面部表情是人际交往中信息传递的重要途径,在察觉人物情绪和分析人物话语含义等方面起到了非常重要的作用。随着智能设备的广泛应用以及深度学习方法的完善和普及,现有人脸表情识别算法在识别准确率等方面取得了一定提升,但仍旧存在较大改进空间。目前,大多数模型在实验室环境下表现良好,但面对采集自真实世界的数据集时表现并不理想。同时,由于人脸表情识别任务特有的类间相似性和类内差异性,现有的深度学习模型和单一的注意
数字水印技术在多媒体保护方面发挥着巨大的作用,实际应用需求的变更推动了数字水印技术的发展。传统的水印方法结合载体图像本身特征进行水印嵌入,但泛化效果存在不足。同时,信息传输的方式发生变化,摄屏攻击愈发常见。面对更多样复杂的攻击,传统水印已经远不能满足需求。结合深度学习的水印在透明性和鲁棒性上有了较大的提升,但仍然难以在二者中保持平衡。现有深度水印算法的嵌入基本在空域进行,载体图像的失真仍然比较明显