[논문 리뷰] Neural Feedback Scheduling of Real-Time Control Tasks

Feng Xia, Yu‐Chu Tian외 2명|ArXiv.org|2008. 05. 20.

Real-Time Systems Scheduling참고 문헌 19인용 수 12

한 줄 요약

이 논문은 실시간 제어 작업을 위한 최적 피드백 스케줄링을 모방하기 위해 피드포워드-백프로파게이션 신경망을 사용하는 신경 피드백 스케줄링(NFS) 기법을 제안한다. 이는 계산 부하를 크게 줄이며 거의 최적의 제어 성능을 유지한다. NFS는 사전에 최적의 샘플링 주기 조정을 학습하고 런타임에서 최소한의 비용으로 적용한다.

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.

연구 동기 및 목표

• 자원이 제한된 임베디드 제어 시스템에서 최적 피드백 스케줄링(OFS)의 높은 계산 부하 문제를 해결한다.
• CPU 부하가 변화함에 따라 제어 작업의 샘플링 주기를 동적으로 조정하면서 제어 품질을 손상시키지 않는다.
• 동적 부하를 가진 실시간 임베디드 시스템에 적합한 저부하, 지능적인 피드백 스케줄러를 개발한다.
• 수학적 최적화 기반의 OFS에 비해 런타임 계산을 크게 줄이며 거의 최적의 제어 성능를 달성한다.

제안 방법

• 수학적 최적화(예: 순차적 축소 프로그래밍)를 사용해 사전에 최적의 피드백 스케줄링 해를 생성하고, 이를 기반으로 백프로파게이션(BP) 신경망을 훈련시킨다.
• 훈련된 신경망을 실시간 피드백 스케줄러로 활용하여 CPU 사용률 및 작업 실행 시간을 기반으로 조정된 샘플링 주기를 매핑한다.
• 간단한 아키텍처를 설계하여 런타임 계산 비용을 최소화하면서도 정확도를 유지한다.
• 학습된 매핑을 활용해 동시 제어 작업의 샘플링 주기를 동적으로 조정하여, 부하 변화 상황에서도 목표 CPU 사용률(예: 75%)을 유지를 목표로 한다.
• 신경 스케줄러가 제어 비용 함수의 구체적 형태에 의존하지 않도록 하여 일반 적용 가능성을 높인다.
• 수치 시뮬레이션을 통해 신경 피드백 스케줄러(NFS)를 최적 피드백 스케줄링(OFS) 및 오픈루프 스케줄링(OLS)과 비교한다.

실험 결과

연구 질문

• RQ1 최소한의 런타임 부하로 최적 피드백 스케줄링 해를 근사할 수 있도록 신경망을 효과적으로 훈련시킬 수 있는가?
• RQ2 전체 제어 비용과 시스템 스케줄러 가능성 측면에서 신경 피드백 스케줄러의 성능은 최적 피드백 스케줄링과 비교해 어떻게 되는가?
• RQ3 伝통적인 최적화 기반 피드백 스케줄러에 비해 신경 피드백 스케줄러는 계산 부하를 어느 정도 줄이는가?
• RQ4 작업 실행 시간과 가용 CPU 자원의 변화에 대해 신경 피드백 스케줄러는 얼마나 잘 적응하는가?

주요 결과

• 수치 시뮬레이션을 통해 전체 제어 성능이 최적 피드백 스케줄링(OFS)과 거의 동일한 것으로 나타났다. 총 제어 비용 측면에서 유사한 결과를 보였다.
• NFS의 평균 런타임 부하는 스케줄링 주기당 0.0207초이며, OFS의 0.1701초에 비해 8.22:1의 부하 비율을 기록했다.
• NFS는 OFS의 계산 부하의 단지 12.2%로 줄여 효율성 향상이 뚜렷하게 나타났다.
• 동적 부하 상황에서도 NFS는 CPU 사용률을 목표 수준(75%) 근처에 유지하여 시스템의 스케줄러 가능성 보장을 확보했다.
• 히우리스틱 방법과 달리 NFS는 공식적인 머신러닝 프레임워크에 기반하며 제어 비용 함수의 형태에 관계없이 광범위하게 적용 가능하다.
• 오픈루프 스케줄링은 t = 6s 이후 100%를 초과하는 CPU 사용률을 보이며 불안정해지는 반면, NFS는 체계적 과부하를 효과적으로 방지했다.