26763

مديريت منابع در سامانه هاي بحراني-مختلط با استفاده از يادگيري ماشين

كارشناسي ارشد

كامپيوتر

1401-1402

1401/01/29

دكتر حاكم بيت اللهي

مهندسي كامپيوتر

ســامانه هاي بحراني-مختلط به ســامانه هايي اطلاق ميشــود كه وظايف در آنها از ســطوح بحراني مختلف برخوردار هسـتند. به عبارت ديگر، سـامانه هاي متشـكل از وظايف بي درنگ سـخت و بي درنگ نرم در يك بسـتر هســتند. در ابتدا تمام وظايف در حالت عادي و با بدترين زمان اجراي كوچك خود اجرا ميشـوند. به محض اينكه يك وظيفه بحراني با سـطح بحراني بالاتر از سـطح فعلي، از بدترين زمان اجراي كوچك خود تجاوز كند، سـامانه به حالت بحراني بالاتر رفته و وظايف سـطح پايين دور انداخته ميشـوند و يا با كيفيت كمتري خدمات دريافت ميكنند. بعلاوه دما و فركانس ساعت پردازنده در تغيير سطح عملياتي سامانه تاثير ميگذارند. در سـامانههاي بيدرنگ سـنتي، چندين الگوريتم براي مديريت منابع معرفي شـده اسـت كه اين الگوريتمها در سامانههاي بحراني-مختلط نيز توسعه داده شدند. اما چالش اصلي در اين نوع سامانهها زماني است كه سامانه به حالت عملياتي خود ميرود و وظيفه بحراني ســطح پايين يك منبع را هنوز در اختيار دارد. رويكرد عمده در مديريت منابع در ســامانههاي بحراني-مختلط هنگام تغيير حالت عملياتي ســامانه، به ارث بردن ســطح بحراني و مهاجرت وظيفه بحراني ســطح پايين به ســطح عملياتي بحراني اســت. اين رويكرد كه در بيشــتر الگوريتمهـاي مـديريـت منـابع در ســـامـانـههـاي بحراني-مختلط بـه كـار ميرود، اجراي وظـايف بحراني در حـالـت علميـاتي بحراني را بـه خطر ميانـدازد. همچنين اين رويكرد بر روي تخمينهـاي بـدترين زمـان اجرا نيز تـاثير گذاشـته و كارايي سـامانه را متاثر ميكند. در نتيجه رويكرد اين پژوهش بررسـي اين چالش و معرفي روشـي جايگزين با استفاده از الگوريتمهاي يادگيري ماشين است. روش پيشـنهادي در اين پژوهش بر پايه يادگيري سـامانه و تخمين تغيير حالت عملياتي سـامانه قبل از وقوع آن اسـت. هر چه ميزان اين برآورد بالاتر باشـد، احتمال وقوع تغيير سـطح عملياتي بيشـتر اسـت. چنانچه اين ميزان از يك حد آستانه بالاتر برود، الگوريتم مديريت منابع، اجازه در اختيار گرفتن منبع را به وظيفه بحراني سـطح پايين نخواهد داد. به اين ترتيب از ارث بري سـطح بحراني و انتقال يك وظيفه بحراني سـطح پايين به حالت بحراني سـامانه جلوگيري ميشـود. نتايج تحقيق نشـان ميدهد كه با از اين روش زمان سـربار ناشـي از مسـدود شـدن بر اسـاس وارونگي سـطح بحراني به ميزان حدود 50 %و تعداد دفعات مسـدود شـدن وظايف بحراني تا 75٪كاهش خواهد يافت. همچنين كارايي سامانه تا ٪30 درصد افزايش مييابد.

1401/04/15

Resource management in Mixed-Criticality Systems with Machine Learning

4/18/2023 12:00:00 AM

Mixed-Criticality Systems were created with the aim of integrating tasks different critical levels into shared platform to reduce cost, space and power consumption of systems. Integrating tasks with different critical levels into a common platform increases the need for shared resource management. An important issue in critical-complex systems is the maintenance of safety constraints and the temporal and spatial isolation of critical tasks from non-critical tasks. For this reason, how scheduling algorithms and resource management behave when changing system mode is very important. In this research, we present a mode switch-aware method using machine learning, which increases system reliability and improve isolation of criticality levels.

سامانه هاي بي درنگ , ســامانه هاي بحراني-مختلط , مديريت منابع , قابليت اطمينان

Real-time Systems , Mixed-Criticality Systems , Resource Managment , Reliability

Masoume Arezoumandi

Dr.Hakem Beitollahi