混合关键级系统线上自适应资源管理及调度方法研究

Nowadays, the design of embedded systems is evolving into the integration of tasks with different levels of criticality on a shared hardware platform. In this manner, the stringent nonfunctional requirements with regard to cost, space, weight, head dissipation, and power consumption can potentially be fulfilled. Traditionally, the scheduling approaches for such mixed-criticality systems (MCS) has been mainly based on offline algorithms. Offline scheduling algorithms are, however, not efficient. The reason is that offline approaches are usually based on the assumption of the worst-case workload of the system, while the actual workload at runtime might be far less than the worst-case one. This work proposes to use online monitoring and prediction on the system workload to adaptively manage the system resource of MCS. We will first target monitoring and prediction techniques for uniprocessor MCS and then extend to multi-core MCS. In particular, we will investigate the potential correlation of monitoring and prediction among different cores in an MCS. In addition, in order to make our approaches more general and practical, we will investigate the possible extension of the current periodic activation task model to the arbitrary activation task model. At last, we will apply the developed techniques on an autonomous vehicular platform built within our lab. The performance of techniques will be judged and evaluated in terms of scheduling overhead, power consumption, and reliability using this vehicular platform.

嵌入式系统正朝着将具有不同关键级（重要性）的任务整合到同一个平台上的方向发展，因为此类混合关键级系统能够有效地降低运行平台的重量、体积和功耗。当前运行混合关键级系统的调度算法以离线调度算法为主。但是离线调度算法并不高效，因为离线调度算法是建立在最大系统负载假设上的，而系统在实际运行过程中负载可能要远小于最大值，因此离线调度算法会造成资源浪费。本课题致力于通过实时监督和预测系统的负载来在线自适应的合理调度系统的资源，以提高系统资源的使用效率。具体思路是，我们先研究单核混合关键级系统上的负载实时监督和预测系统机制，然后把这些新机制扩展到多核混合关键级系统上。为了使我们的方法更加通用和贴近实际系统，我们还将拓展当前周期触发任务模型到任意触发任务模型。最后，我们将在一个无人车平台上开发和验证我们所提出的方法。

本项目主要研究面向混合关键级系统线上自适应资源管理及调度方法技术。相比于将不同关键级别的程序隔离在不同硬件上的传统方法，这种融合方式可以有效地提高系统利用率并减少硬件资源的消耗。通过实时监督和预测系统的负载来在线自适应的合理调度系统的资源，可以有效地提高系统资源的使用效率。目前，混合关键级系统的大部分调度算法以离线(offline)调度为主，即调度方法是在系统运行前就已经先行决定。但实际上，系统中出现最大负载需求的情况很少，因而预留的资源在大部分情况下并没有发挥作用，造成了系统资源的浪费。基于上述问题，本项目在执行期间主要完成了几个方面的具体研究，主要包括：（1）面向混合关键级系统的线上负载监督和预测；（2）混合关键级平台的线上资源自适应调度；（3）基于多核间任务依赖关系的监督预测及调控机制；（4）实验原型系统。其中，面向混合关键级系统的线上负载监督和预测从负载任务模型的角度出发，针对当前基于周期模型最差情况假设离线调度的低效率问题，研究引入通用任务模型下系统负载的线上监督和预测，为根据系统负载对资源进行自适应动态分配提供信息基础。混合关键级平台的线上资源自适应调度根据负载预测结果与任务关键级进行差异化调度，在满足任务响应时间要求及维持系统可调度性的条件下，最大限度提高系统的效率。基于多核间任务依赖关系的监督预测及调控机制通过利用依赖关系进行更加精确的监督与负载上界预测，从而实现更加有效的系统资源调度，进一步提高系统资源利用率，为混合关键级投入实际应用做好铺垫。最后，通过无人驾驶实际的复杂场景，使调度算法在具有明确实际功能任务中的影响得到反映和体现，使项目成果得到验证，并提高无人驾驶中实时系统的整体效率，起到很好的实验验证和应用示范效果。总的来说，研究组顺利完成了预定的项目研究内容。