QoS-Efficient and Near-Optimal Imprecise Computation Task Deployment for Heterogeneous Multicore Systems
Dieses Paper schlägt einen auf Zerlegung basierenden Ansatz mit einem Closed-Loop-Feedback-Mechanismus vor, um das Problem der gemeinsamen Abbildung und Zeitplanung von abhängigen ungenauen Rechenaufgaben auf heterogenen Multicore-Systemen effizient zu lösen, wobei eine nahezu optimale Dienstgüte bei signifikant reduzierter Rechenzeit im Vergleich zu kommerziellen Solvern erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt des modernen Computings verlassen sich Geräte wie Drohnen, selbstfahrende Autos und fortschrittliche Roboter auf Prozessoren, die nicht nur schnell, sondern auch intelligent vielfältig sind. Diese Systeme nutzen heterogene Multicore-Plattformen, bei denen es sich um Chips handelt, die verschiedene Arten von Recheneinheiten enthalten, von denen jede darauf ausgelegt ist, bestimmte Arten von Aufgaben mit maximaler Effizienz zu bewältigen. Diese Geräte stehen jedoch oft vor einem schwierigen Balanceakt: Sie müssen Aufgaben sofort erledigen, um Sicherheit und Reaktionsfähigkeit zu gewährleisten, sind aber gleichzeitig streng durch die Menge der Energie begrenzt, die ihre Batterien bereitstellen können. Das schnellere Ausführen eines Prozessors, um eine Frist einzuhalten, entzieht der Batterie in der Regel viel schneller die Energie. Um diesen Konflikt zu bewältigen, nutzen Ingenieure ein Konzept namens unpräzise Berechnung (imprecise computation). Dieser Ansatz erkennt an, dass viele Aufgaben nicht perfekt sein müssen, um nützlich zu sein. Stattdessen wird eine Aufgabe in zwei Teile aufgeteilt: einen obligatorischen Teil, der ein grundlegendes, akzeptables Ergebnis garantiert, und einen optionalen Teil, der das Ergebnis verfeinert, um es genauer oder detaillierter zu machen. Das System kann sich entscheiden, den optionalen Teil auszuführen, wenn Zeit und Energie es zulassen, oder ihn zu überspringen, wenn die Ressourcen knapp sind, wodurch sichergestellt wird, dass das Gerät immer ein Mindestmaß an Leistung liefert, ohne abzustürzen.
Die Herausforderung für Forscher bestand darin, genau festzulegen, wie diese aufgeteilten Aufgaben den verschiedenen Prozessoren zuzuweisen sind und wie viel der optionalen Arbeit durchgeführt werden soll, während gleichzeitig strikte Fristen und Energielimits eingehalten werden. Dies ist ein komplexes Rätsel, da die Prozessoren untereinander verschieden sind, die Aufgaben oft voneinander abhängen (wobei eine Aufgabe nicht beginnen kann, bis eine andere abgeschlossen ist) und die Entscheidungen tief miteinander verknüpft sind. Eine neue Studie von Linlin Zhao und Kollegen von der Southeast University und der Linnaeus University geht dieses Problem an, indem sie eine Methode entwickeln, um diese Aufgaben auf solchen Plattformen so einzusetzen, dass die Gesamtkvalität des Systemoutputs maximiert wird. Die Forscher formulierten das Problem als ein mathematisches Modell, das nach der bestmöglichen Anordnung der Aufgaben sucht, stellten jedoch fest, dass das direkte Lösen dieses Modells für den praktischen Einsatz zu langsam und rechenintensiv ist.
Um diese Hürde zu überwinden, entwickelte das Team eine Strategie, die das massive Problem in kleinere, handhabbare Teile zerlegt, die in einer Schleife gelöst werden können. Sie entwarfen ein zweiteiliges System. Der erste Teil, den sie das Master-Problem nennen, entscheidet, welcher Prozessor welche Aufgabe übernehmen soll und wie viel optionale Arbeit versucht werden soll. Der zweite Teil, das Scheduling-Problem, nimmt diese Entscheidungen und prüft, ob sie tatsächlich zeitgerecht ausgeführt werden können, wobei die Reihenfolge der Aufgaben beachtet wird und sichergestellt wird, dass nicht zwei Aufgaben gleichzeitig denselben Prozessor nutzen. Entscheidend ist, dass das System einen Feedback-Mechanismus enthält. Wenn der zweite Teil feststellt, dass ein Zeitplan nicht einzuhalten ist, weil eine Aufgabe zu spät fertig wird oder zu viel Energie verbraucht, sendet er diese Information an den ersten Teil zurück. Der erste Teil passt daraufhin seine Entscheidungen an, indem er beispielsweise eine Aufgabe einem schnelleren Prozessor zuweist oder die optionale Arbeit reduziert, und der Zyklus wiederholt sich. Dieser geschlossene Regelungsprozess setzt sich fort, bis das System eine Lösung gefunden hat, die sowohl machbar als auch hocheffizient ist.
Die Forscher testeten ihre Methode anhand realistischer Szenarien, einschließlich Anwendungen wie Bildverarbeitung und Flugsteuerung, und verglichen ihre Ergebnisse mit einem leistungsstarken kommerziellen Solver, der für das Finden perfekter Lösungen bekannt ist, sowie mit anderen bestehenden Techniken. Ihr Ansatz erwies sich als bemerkenswert effektiv. In ihren Simulationen erreichte die neue Methode 95,25 % der optimalen Dienstgüte, die der kommerzielle Solver finden konnte, benötigte jedoch nur etwa 19,8 % der Zeit, um diese Lösung zu berechnen. Dies demonstriert einen signifikanten Kompromiss, bei dem das System einen winzigen Bruchteil theoretischer Perfektion opfert, um einen massiven Vorteil an Geschwindigkeit zu gewinnen. Darüber hinaus zeigte die Studie, dass der Feedback-Mechanismus essenziell war; ohne ihn hatte das System Schwierigkeiten, gültige Zeitpläne für komplexe Aufgaben zu finden, was zu einer geringeren Gesamtleistung führte. Die Ergebnisse deuten darauf hin, dass diese Zerlegungsmethode gut skaliert, was bedeutet, dass sie eine wachsende Anzahl von Aufgaben bewältigen kann, ohne unkontrollierbar langsam zu werden, was sie zu einem praktischen Werkzeug für die nächste Generation energieeffizienter Echtzeit-Computersysteme macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.