[论文解读] 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 12

一句话总结

本文提出了一种神经反馈调度（NFS）方案，利用前馈反向传播神经网络来模拟最优反馈调度，以显著降低计算开销，同时保持接近最优的控制性能。NFS 在离线阶段学习最优采样周期调整策略，并以极低的运行时成本在线应用这些调整。

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.

研究动机与目标

• 解决资源受限的嵌入式控制系统中最优反馈调度（OFS）的高计算开销问题。
• 在不牺牲控制质量的前提下，实现控制任务采样周期对变化的CPU工作负载的动态自适应调整。
• 开发一种低开销、智能的反馈调度器，适用于具有动态工作负载的实时嵌入式系统。
• 在与基于数学优化的OFS相比显著降低运行时计算量的同时，实现接近最优的控制性能。

提出的方法

• 使用数学优化（例如序列二次规划）生成的离线最优解训练反向传播（BP）神经网络，以实现反馈调度。
• 将训练好的神经网络用作在线反馈调度器，将实时CPU利用率和任务执行时间映射为调整后的采样周期。
• 设计神经网络时采用简单架构，在保持精度的同时最小化运行时计算成本。
• 利用学习到的映射关系，动态调整并发控制任务的采样周期，以在工作负载变化时维持期望的CPU利用率（例如75%）。
• 确保神经调度器与控制代价函数的具体形式无关，从而增强其通用适用性。
• 在数值仿真中实现并比较神经反馈调度器（NFS）、最优反馈调度（OFS）和开环调度（OLS）。

实验结果

研究问题

• RQ1 神经网络能否被有效训练以近似最优反馈调度解，同时保持极低的运行时开销？
• RQ2 在总体控制代价和系统可调度性方面，神经反馈调度器与最优反馈调度器相比表现如何？
• RQ3 与传统的基于优化的反馈调度器相比，神经反馈调度器在计算开销方面降低了多少？
• RQ4 神经反馈调度器在应对任务执行时间与可用CPU资源的动态变化时，适应能力如何？

主要发现

• 神经反馈调度器（NFS）的总体控制性能与最优反馈调度（OFS）几乎完全相同，仿真中总控制代价相当。
• NFS的平均运行时开销仅为每个调度周期0.0207秒，而OFS为0.1701秒，开销比达到8.22:1。
• NFS将计算开销降低至OFS的12.2%，显著提升了效率。
• 在动态工作负载下，神经调度器能将CPU利用率维持在目标水平（75%）或附近，确保系统可调度性。
• 与启发式方法不同，NFS基于正式的机器学习框架，无论控制代价函数的形式如何，均具有广泛适用性。
• 神经调度器能有效防止系统过载——与之相比，开环调度在t = 6s后CPU利用率超过100%，导致系统不稳定。