[论文解读] A C-DAG task model for scheduling complex real-time tasks on heterogeneous platforms: preemption matters

Houssam-Eddine Zahaf, Nicola Capodieci+3 more|arXiv (Cornell University)|Jan 8, 2019

Real-Time Systems Scheduling参考文献 18被引用 9

一句话总结

本文提出C-DAG模型，这是一种新颖的实时任务模型，适用于异构平台，支持离线的替代实现方式以及在不同处理器（CPU、GPU、DLA、PVA）上的运行时条件分支。该模型引入了一种考虑不可忽略的抢占成本的可调度性分析方法——尤其在加速器上——与现有最先进方法相比，显著降低了悲观性并提高了可调度性比率。

ABSTRACT

Recent commercial hardware platforms for embedded real-time systems feature heterogeneous processing units and computing accelerators on the same System-on-Chip. When designing complex real-time application for such architectures, the designer needs to make a number of difficult choices: on which processor should a certain task be implemented? Should a component be implemented in parallel or sequentially? These choices may have a great impact on feasibility, as the difference in the processor internal architectures impact on the tasks' execution time and preemption cost. To help the designer explore the wide space of design choices and tune the scheduling parameters, in this paper we propose a novel real-time application model, called C-DAG, specifically conceived for heterogeneous platforms. A C-DAG allows to specify alternative implementations of the same component of an application for different processing engines to be selected off-line, as well as conditional branches to model if-then-else statements to be selected at run-time. We also propose a schedulability analysis for the C-DAG model and a heuristic allocation algorithm so that all deadlines are respected. Our analysis takes into account the cost of preempting a task, which can be non-negligible on certain processors. We demonstrate the effectiveness of our approach on a large set of synthetic experiments by comparing with state of the art algorithms in the literature.

研究动机与目标

• 解决在具有多样化处理器（CPU、GPU、DLA、PVA）的现代异构嵌入式平台上调度复杂实时应用的挑战。
• 在统一框架中建模处理器选择、任务并行性与顺序等设计选择，以支持离线与运行时决策。
• 考虑加速器上显著的抢占成本（例如GPU上占执行时间的30%），这些成本在以往工作中常被忽略或高估。
• 开发可调度性分析方法与分配启发式算法，以减少悲观性，提升资源利用率，同时满足截止时间要求。

提出的方法

• 提出C-DAG模型，一种带替代节点的有向无环图，用于离线处理器选择，以及带条件分支节点的运行时分支决策。
• 将抢占成本建模整合到可调度性分析中，区分CPU（0.02%）、GPU（30%）以及DLA/PVA（10%）上的抢占成本。
• 应用定理2，仅对最大连续子任务中的一个子任务收取抢占成本，而非所有被抢占的任务，从而减少悲观性。
• 设计并评估多种分配启发式算法（如BRF-P、BOF-P、WRF-P），在负载均衡与保护稀缺资源（如DLA和PVA）之间取得平衡。
• 使用具有不同利用率和任务结构的合成任务集，评估不同启发式算法下的可调度性与资源使用情况。
• 通过可调度性比率、活跃CPU数量以及稀缺引擎利用率等指标，与现有最先进方法进行对比。

实验结果

研究问题

• RQ1 如何有效表示异构平台中离线与运行时设计选择的实时任务模型？
• RQ2 加速器（如GPU、DLA）上不可忽略的抢占成本在多大程度上影响可调度性分析与系统可行性？
• RQ3 精细化的抢占成本模型是否能减少可调度性分析中的悲观性并提升系统资源利用率？
• RQ4 不同分配启发式算法在可调度性、负载均衡与稀缺计算资源保护方面表现如何？
• RQ5 抢占成本建模对异构平台上复杂实时任务集整体可调度性有何影响？

主要发现

• 通过定理2实现的抢占成本建模显著降低了可调度性分析中的悲观性，尤其在高利用率情况下效果更明显。
• 采用定理2（即减少的抢占成本模型）时，可调度性比率保持较高水平；而朴素的最大抢占方法则导致性能急剧下降。
• 基于首次适应（BF）的启发式算法（如BRF-P）实现了更高的CPU利用率与更好的负载均衡；而基于顺序的启发式算法（如BOF-P）则降低了DLA、PVA等稀缺引擎的利用率。
• 在高度负载的系统中，BOF-P通过最小化整体执行开销并减轻关键加速器的负载，优于其他启发式算法。
• 活跃CPU的平均数量随总利用率增加而上升，但BRF-P使用的核心数多于其他算法，以更好地保护稀缺资源。
• 在基于顺序的启发式算法（如BRF-P、BOF-P）下，稀缺引擎（DLA、PVA、GPU）的平均利用率始终较低，证实了其在资源保护方面的有效性。