[论文解读] Energy-Aware Task Partitioning on Heterogeneous Multiprocessor Platforms

E. M. Saad, Medhat Awadalla+2 more|arXiv (Cornell University)|Jun 2, 2012

Distributed and Parallel Computing Systems参考文献 14被引用 12

一句话总结

本文提出了一种面向异构多处理器系统的节能型任务划分方法，结合改进的粒子群优化（PSO）算法与Min-Min技术，以最小化能耗并确保满足实时截止期限。该方法在能耗方面实现显著节省，且迭代次数明显减少，仿真结果表明其性能优于先前方法。

ABSTRACT

Efficient task partitioning plays a crucial role in achieving high performance at multiprocessor plat forms. This paper addresses the problem of energy-aware static partitioning of periodic real-time tasks on heterogeneous multiprocessor platforms. A Particle Swarm Optimization variant based on Min-min technique for task partitioning is proposed. The proposed approach aims to minimize the overall energy consumption, meanwhile avoid deadline violations. An energy-aware cost function is proposed to be considered in the proposed approach. Extensive simulations and comparisons are conducted in order to validate the effectiveness of the proposed technique. The achieved results demonstrate that the proposed partitioning scheme significantly surpasses previous approaches in terms of both number of iterations and energy savings.

研究动机与目标

• 解决在运行周期性实时任务的异构多处理器平台上最小化能耗的挑战。
• 确保在划分方案下所有任务均满足其截止期限。
• 开发一种高效的静态任务划分技术，实现性能与能效的平衡。
• 在能耗节省与收敛速度方面超越现有划分方法。

提出的方法

• 采用改进的粒子群优化（PSO）变体，结合Min-Min启发式方法指导任务分配。
• 设计一种节能型代价函数，基于处理器能耗与任务执行时间评估任务划分决策。
• 通过将任务分配给处理器以最小化系统总能耗，实现静态划分。
• 综合考虑任务截止期限与处理器异构性，包括不同处理速度与功耗特性。
• PSO算法通过能量感知代价函数引导，在解空间中迭代优化任务分配。
• 通过多种任务与平台配置的仿真评估性能。

实验结果

研究问题

• RQ1 如何优化任务划分以最小化异构多处理器系统中的能耗？
• RQ2 所提出的基于PSO的方法在确保所有实时截止期限满足的前提下，能在多大程度上降低能耗？
• RQ3 与现有划分技术相比，该方法在收敛速度与能效方面表现如何？
• RQ4 将Min-Min启发式方法集成到PSO框架中对解质量有何影响？

主要发现

• 与先前方法相比，所提方法实现了显著的能耗节省，系统总能耗明显降低。
• 达到收敛所需的迭代次数明显少于现有划分技术。
• 在所有测试任务集与平台配置下，该方法成功避免了截止期限违规。
• 仿真结果证实，节能型代价函数能有效引导PSO算法找到低能耗且可行的任务分配方案。