QoS-Efficient and Near-Optimal Imprecise Computation Task Deployment for Heterogeneous Multicore Systems
本文提出了一种基于分解且带有闭环反馈机制的方法，用以高效解决异构多核系统上具有依赖关系的非精确计算任务的联合映射与调度问题，与商业求解器相比，在显著减少计算时间的同时实现了近乎最优的服务质量。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代计算领域，无人机、自动驾驶汽车和先进机器人等设备依赖的处理器不仅要求速度快，还要求具备智能的多样性。这些系统使用异构多核平台，即包含不同类型处理单元的芯片，每种单元都旨在以最高效率处理特定类型的任务。然而，这些设备经常面临一个艰难的平衡：它们必须瞬间完成任务以确保安全性和响应能力，同时又受到电池供电能力的严格限制。为了满足截止日期而提高处理器的运行速度，通常会更快地消耗电池电量。为了应对这一冲突，工程师们使用了“不精确计算”（imprecise computation）的概念。这种方法承认许多任务并不需要达到完美才具有实用价值。相反，一项任务被分为两部分：一部分是强制部分，用于保证获得一个基本的、可接受的结果；另一部分是可选部分，用于使结果更加精确或详细。系统可以根据时间和能量是否允许来选择是否执行可选部分，或者在资源紧张时跳过它，从而确保设备始终能提供最低水平的性能而不会崩溃。
研究人员面临的挑战在于，如何准确地将这些拆分的任务分配给不同的处理器，并决定执行多少可选工作，同时还要遵守严格的截止日期和能量限制。这是一个复杂的谜题，因为处理器各不相同，且任务之间往往存在依赖关系（即一个任务必须在另一个任务完成后才能开始），而且各项决策是深度互联的。东南大学和林奈大学的赵琳琳及其同事的一项新研究通过开发一种方法，旨在将这些任务部署在上述平台上，从而最大化系统的整体输出质量。研究人员将该问题构建为一个数学模型，旨在寻找最佳的任务排列方式，但他们发现直接求解该模型对于实际应用而言过于缓慢且计算量过大。
为了克服这一障碍，团队设计了一种策略，将这个庞大的问题分解为可以在循环中解决的更小、更易管理的组成部分。他们创建了一个由两部分组成的系统。第一部分被称为“主问题”（master problem），负责决定每个任务应由哪个处理器处理以及应尝试进行多少可选工作。第二部分是“调度问题”（scheduling problem），它接收这些决策，并检查这些任务是否能够按照要求的顺序实际执行，同时确保不会有两个任务同时使用同一个处理器。至关重要的是，该系统包含一个反馈机制。如果第二部分发现由于某个任务完成过晚或消耗能量过多而导致无法实现预定调度，它会将此信息传回给第一部分。随后，第一部分会调整其决策，例如将任务分配给更快的处理器或减少可选工作的量，然后循环往复。这种闭环过程会持续进行，直到系统找到一个既可行又高效的解决方案。
研究人员利用包括图像处理和飞行控制在内的现实场景对他们的方法进行了测试，并将结果与一个以寻找完美解而闻名的强大商业求解器以及其他现有技术进行了对比。他们的方案证明了其卓越的有效性。在模拟实验中，新方法达到了商业求解器所能找到的最佳服务质量的 95.25%，但仅耗费了计算该方案约 19.8% 的时间。这展示了一个显著的权衡：系统牺牲了极小部分的理论完美度，以换取速度上的巨大优势。此外，研究表明反馈机制至关重要；如果没有它，系统在处理复杂任务时难以找到有效的调度方案，从而导致整体性能下降。结果表明，这种分解方法具有良好的扩展性，这意味着它可以处理不断增加的任务量而不会变得难以管理，使其成为下一代节能实时计算系统的实用工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。