多处理器系统在线节能调度算法.docVIP

多处理器系统在线节能调度算法 　　摘 要：随着多处理器系统计算性能的提高，能耗管理已变得越来越重要，如何满足实时约束并有效降低能耗成为实时调度中的一个重要问题。基于多处理器计算系统，针对随机到达的任务，提出一种在线节能调度算法（OLEAS）。该算法在满足任务截止期限的前提下，尽量将任务调度到产生能耗最少的处理器，当某个任务在所有处理器上都不能满足截止期限要求时，则调整处理器之间的部分任务，使之尽量满足截止期限要求。同时，OLEAS尽量使单个处理器上的任务按平均电压/频率执行，以降低能耗，只有当新到任务不满足截止期限要求时，才逐个调高前面任务的电压/频率。模拟实验比较了OLEAS、最早完成时间优先（EFF）、最高电压节能（HVEA）、最低电压节能（LVEA）、贪心最小能耗（MEG）和最小能耗最小完成时间（MEMC）的性能，结果表明OLEAS在满足任务截止期限和节省能耗方面具有明显的综合优势。 　　关键词：多处理器系统；在线调度；动态电压调整；节能 　　0 引言 　　随着计算机硬件技术的快速发展，多处理器计算系统的成本变得越来越低，同时其计算能力变得越来越强。但是，处理器的高性能也会带来高能耗，能耗管理已成为多处理器系统中的一个重要问题，对于电池供电的嵌入式系统尤其如此。目前，已有许多处理器可在不同的电压模式下工作，如Intel公司的Core2 Duo processor[1]，AMD公司的mobile Athlon[2]，ARM公司的ARM11 MPCore[3]等。在系统运行时，通过动态调整电压以改变执行频率从而降低系统能耗，即为动态电压频率调整（Dynamic Voltages Frequency Scaling，DVFS）技术。一般情况下，处理器产生的能耗包括动态能耗、静态能耗和状态转换能耗。动态能耗通常是速度（频率）的凸函数和递增函数，速度越高动态能耗越多；静态能耗是由于泄露电流而产生的，状态转换能耗则是处理器关闭和唤醒时产生的。以上三种能耗中，动态能耗和静态能耗是CMOS处理器能耗的主要来源[4]。 　　近年来，有许多学者研究了多处理器或多核系统的节能调度问题并已取得很多成果。多数情况下，多机节能调度问题是NP难问题[5]，在实际中多采用启发式调度方法求近似最优解。通常将调度算法分为两大类，即静态（离线）调度和动态（在线）调度。在静态调度中，任务具有周期性特征，且到达时间已知[6]；对于非周期到达的任务，通常采用动态调度算法。Zhu等[7]引入了多处理器系统中空闲时间共享的概念来减少能量消耗，同时提出了两种基于空闲时间共享的节能调度算法。Aydin等[8]提出一种周期性任务静态调度算法，根据系统平均负载情况调节CPU运行速度并保证任务在截止期限内完成。吴小东等[9]基于全局异步局域同步及电压频率域技术的多核处理器计算平台，在静态策略的基础上提出空闲时间重分配策略。张冬松等[10]提出一种基于帧任务模型的最优节能实时调度算法。Funaoka等[11]针对周期性任务模型提出一种最优节能调度算法。文献[12]利用依赖任务之间的松弛时间，调低处理器电压以节能。文献[13]对周期性的实时任务采用调低电压或关闭处理器的方法节能并证明在任务截止期限内使耗能最小的调度属于NP难问题。以上研究在一定的条件下能起到很好的节能效果，但都属于静态调度算法，不适合处理动态到达的任务。 　　目前，已有很多学者对动态节能调度进行了研究，Zong 等[14]提出了两种节能复制调度算法，即节能复制算法和性能能量折中复制算法，用于提高系统性能并节约能量。文献[15]提出一种弹性节能调度策略用于动态调度异构计算系统中非周期、独立任务；文献[16]提出了几种基于异构系统的动态调度算法，如随机负载平衡（Opportunistic Load Balancing， OLB）、贪心最小能耗（Minimum Energy Greedy， MEG）、最小能耗最小完成时间（Minimum Energy Minimum Completion time， MEMC）等；文献[17]提出了一种多核系统中基于Global EDF在线节能硬实时任务调度算法。这些算法大都是将任务尽量调度到较低频率的处理器或采用降频的方法减少动态功耗实现节能，通过关闭处理器的方法减少静态能耗，但一般事先知道任务的到达时间、周期和时限等属性，在已知先验知识情况下考虑节能调度问题。而在很多应用中无法事先获得任务属性，已有的一些算法不太合适处理这类问题。文献[17]虽然也是针对动态到达的任务，但需要假设任务集在可抢占的Global EDF调度算法中是可调度的，对于负载较重的情况没有做过多的考虑；文献[15]则没有将能耗降至更低。基于以上分析，本文提出一种在线节能调度（OnLine Energy