[論文レビュー] Neural Feedback Scheduling of Real-Time Control Tasks

Feng Xia, Yu‐Chu Tian+2 more|ArXiv.org|May 20, 2008

Real-Time Systems Scheduling参考文献 19被引用数 12

ひとこと要約

この論文は、リアルタイム制御タスクの最適フィードバックスケジューリングを模倣するために、フィードフォワード・バックプロパゲーションニューラルネットワークを用いたニューラルフィードバックスケジューリング（NFS）方式を提案する。計算オーバーヘッドを顕著に低減しながら、ほぼ最適な制御性能を維持できる。NFSは事前に学習した最適なサンプリング周期の調整を学習し、実行時における計算コストを最小限に抑えてオンラインで適用する。

ABSTRACT

Many embedded real-time control systems suffer from resource constraints and dynamic workload variations. Although optimal feedback scheduling schemes are in principle capable of maximizing the overall control performance of multitasking control systems, most of them induce excessively large computational overheads associated with the mathematical optimization routines involved and hence are not directly applicable to practical systems. To optimize the overall control performance while minimizing the overhead of feedback scheduling, this paper proposes an efficient feedback scheduling scheme based on feedforward neural networks. Using the optimal solutions obtained offline by mathematical optimization methods, a back-propagation (BP) neural network is designed to adapt online the sampling periods of concurrent control tasks with respect to changes in computing resource availability. Numerical simulation results show that the proposed scheme can reduce the computational overhead significantly while delivering almost the same overall control performance as compared to optimal feedback scheduling.

研究の動機と目的

• リソース制約のある組み込み制御システムにおける最適フィードバックスケジューリング（OFS）の高い計算オーバーヘッドを解消すること。
• CPUワークロードの変化に応じて制御タスクのサンプリング周期を動的に適応可能にし、制御品質を損なわずに実現すること。
• 動的ワークロードを伴うリアルタイム組み込みシステムに適した、低オーバーヘッドで知能的なフィードバックスケジューラを開発すること。
• 数学的最適化に基づくOFSと比較して、実行時計算量を著しく削減しながら、ほぼ最適な制御性能を達成すること。

提案手法

• 最適フィードバックスケジューリングのための最適解を数学的最適化（例：逐次二次計画法）で事前に生成し、その結果を用いてバックプロパゲーション（BP）ニューラルネットワークを学習する。
• 学習済みのニューラルネットワークをオンラインのフィードバックスケジューラとして利用し、リアルタイムのCPU使用率とタスク実行時間を入力として、調整されたサンプリング周期を出力する。
• シンプルなアーキテクチャを採用することで、実行時の計算コストを最小限に抑えつつ、精度を保持する。
• 学習済みのマッピングを活用して、並列実行中の制御タスクのサンプリング周期を動的に調整し、ワークロードの変化に伴っても所望のCPU使用率（例：75%）を維持する。
• ニューラルスケジューラが制御コスト関数の具体的な形式に依存しないため、一般応用性が向上する。
• 数値シミュレーションにおいて、ニューラルフィードバックスケジューラ（NFS）を最適フィードバックスケジューリング（OFS）およびオープンループスケジューリング（OLS）と比較して実装する。

実験結果

リサーチクエスチョン

• RQ1 最小限の実行時オーバーヘッドで、最適フィードバックスケジューリング解を近似できるようにニューラルネットワークを効果的に学習できるか？
• RQ2 全体的な制御コストとシステムスケジューラビリティの観点から、ニューラルフィードバックスケジューラは最適フィードバックスケジューリングに比べてどの程度の性能を示すか？
• RQ3 従来の最適化ベースのフィードバックスケジューラと比較して、ニューラルフィードバックスケジューラは計算オーバーヘッドをどの程度低減できるか？
• RQ4 タスク実行時間や利用可能なCPUリソースの変動に、ニューラルフィードバックスケジューラはどの程度適応的か？

主な発見

• ニューラルフィードバックスケジューラ（NFS）は、シミュレーション全体における制御性能が最適フィードバックスケジューリング（OFS）とほぼ同一であり、合計制御コストが同等であることが示された。
• NFSの平均実行時オーバーヘッドは、1回のスケジューリングサイクルあたり0.0207秒であり、OFSの0.1701秒と比較して、8.22:1のオーバーヘッド比を示した。
• NFSはOFSの計算オーバーヘッドをわずか12.2%にまで低減し、大幅な効率向上を示した。
• NFSは動的ワークロード下でもCPU使用率を目標値（75%）またはその周辺に維持することができ、システムのスケジューラビリティを保証した。
• ヒューリスティック手法とは異なり、NFSは形式的な機械学習フレームワークに基づいており、制御コスト関数の形式に依存しないため、広範な適用性を持つ。
• NFSはシステムの過負荷を効果的に防止する。一方、オープンループスケジューリングはt = 6s以降に100%を超えるCPU使用率を示し、不安定化を引き起こした。