31606

ارائه‌ي يك الگوريتم زمان‌بندي انرژي كاراي وظايف مبتني بر يادگيري ماشين براي سامانه‌هاي بحراني مختلط بي‌درنگ

كارشناسي ارشد

مهندسي كامپيوتر

1401

1403/7/01

دكتر حاكم بيت‌الهي

ندارم

مهندسي كامپيوتر

سامانه‌هاي بحراني مختلط به عنوان نسل بعدي سامانه‌هاي بي‌درنگ، در صنعت به طور گسترده‌اي مورد استفاده قرار مي‌گيرند. علت اين استفاده‌ي گسترده، ادغام عملكردهاي متفاوت با سطوح اهميت متفاوت بر روي يك سكوي محاسباتي است. اين سامانه‌ها، به ويژه در كاربردهاي قابل حمل، با توجه به استفاده از فناوري باتري، با چالش‌هاي جدي در زمينه مديريت انرژي مواجه هستند. محدوديت انرژي در سامانه‌هاي بحراني مختلط، به دليل وابستگي به باتري، يكي از اصلي‌ترين چالش‌ها به شمار مي‌رود. علاوه بر اين، مقياس‌پذيري فناوري، طراحي مبتني بر باتري و افزايش روزافزون داده‌هاي محاسباتي در اين سامانه‌ها، نيازمند استفاده از روش‌هاي مديريت انرژي مؤثر است. به همين دليل، زمان‌بندي مبتني بر انرژي در سامانه‌هاي بحراني مختلط توجه زيادي را به خود جلب كرده‌است. برخي از پژوهش‌ها فقط بر روي مدل وظيفه‌ي بحراني مختلط سنتي تمركز دارند كه در آن‌ها تمام وظايف بحراني كم در حالت بحراني بالا حذف مي‌شوند. اما اخيراً مدل‌هايي نيز ارائه شده‌اند كه خدمات كاهش يافته‌اي را براي وظايف بحراني كم در حالت بحراني بالا فراهم مي‌كنند. از سوي ديگر، اثرات تخريب‌آور روش‌هاي مديريت انرژي بر قابليت اطمينان سامانه، يكي از چالش‌هاي مهم در اين حوزه است. بنابراين، كاهش مصرف انرژي و برآورده كردن محدوديت‌هاي زماني وظايف با در نظر داشتن قابليت اطمينان نيز به عنوان يك چالش اساسي در اين سامانه‌ها بايد مورد بحث قرار گيرد. ما در اين پژوهش با رعايت حفظ قيود بي‌درنگي و با در نظر گرفتن خدمات كاهش يافته براي وظايف بحراني كم در حالت بحراني بالا، الگوريتمي ارائه مي‌دهيم كه زمان‌بندي وظايف را به‌گونه‌اي انجام مي‌دهد كه منجر به كاهش مصرف انرژي سامانه مي‌گردد. ما همچنين از يادگيري ماشين براي پيش‌بيني پارامتري كه در زمان‌بندي وظايف تأثيرگذار است بهره گرفته‌ايم. روش پيشنهادي مصرف انرژي را به‌طور ميانگين $35.91$ درصد كاهش داده‌است.

1403/09/04

An Energy-efficient task scheduling Algorithm based on machine learning for mixed criticality real-time systems

9/22/2025 12:00:00 AM

Mixed-criticality systems, as the next generation of real-time systems, are widely used in the in- dustry. The reason for this widespread use is the integration of different functions with varying levels of criticality on a single computing platform. These systems, especially in portable applica- tions, face serious challenges in energy management due to the use of battery technology. Energy limitation in mixed-criticality systems, due to battery dependence, is considered one of the main challenges. Additionally, the scalability of technology, battery-based design, and the increasing computational data in these systems require the use of effective energy management methods. For this reason, energy-aware scheduling in mixed-criticality systems has attracted significant attention. Some studies focus solely on the traditional mixed-criticality task model, where all low-criticality tasks are dropped under high-criticality mode. However, recent models have also been proposed that provide reduced services for low-criticality tasks under high-criticality mode. On the other hand, the detrimental effects of energy management methods on system reliability are a significant challenge in this field. Therefore, reducing energy consumption while meeting the timing constraints of tasks, considering reliability, should also be discussed as a fundamental challenge in these systems. In this research, we propose an algorithm that schedules tasks in a way that reduces system energy con- sumption while preserving real-time constraints and providing degraded services for low-criticality tasks under high-criticality mode. We also leverage machine learning to predict parameters that in- fluence task scheduling. The proposed method has reduced energy consumption by an average of 35.91 percent.

يادگيري ماشين , بحراني مختلط , زمان‌بندي , مصرف انرژي , سامانه‌ي بي‌درنگ

Machine learning , Mixed criticality , Scheduling , Energy consumption , Real time system

Fatemeh Tamaskani

Hakem Beitollahi