DOI: https://doi.org/10.1038/s41598-025-92604-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40195397
تاريخ النشر: 2025-04-07
المؤلف: Yanchun Liu وآخرون
الموضوع الرئيسي: جدولة الأنظمة في الوقت الحقيقي
نظرة عامة
تتناول ورقة البحث التحديات المتعلقة بجدولة المهام بكفاءة طاقة في المعالجات متعددة النوى غير المتجانسة (HMPs) ضمن بيئات الحوسبة الطرفية. تنتقد الحلول الحالية لدمجها المحدود لتقنية تغيير الجهد والتردد الديناميكي (DVFS) وتقترح خوارزمية جديدة تجمع بين أولوية المهام، وتخطيط الوعي بالنواة، وDVFS التنبؤية. تظهر هذه الخوارزمية تقليلاً كبيراً في استهلاك الطاقة بنسبة 20.9% مع الحفاظ على معدل منخفض لفوات المواعيد النهائية بنسبة 2.4%. تؤكد النتائج التجريبية على منصات HMP الحقيقية قابلية توسيع الخوارزمية ومرونتها مع أحمال العمل المتغيرة، متفوقة على الطرق المعتمدة مثل أول موعد نهائي (EDF) وجدولة الوعي بالطاقة (EAS).
في الختام، تقلل الخوارزمية المقترحة بشكل فعال من استهلاك الطاقة مع تلبية متطلبات الأداء في الحوسبة الطرفية. تشمل المكونات الرئيسية تعيين أولوية المهام بناءً على المواعيد النهائية، وتخطيط المهام مع مراعاة أداء النواة، وتوقع استهلاك الطاقة لجدولة DVFS. على الرغم من مزاياها، فإن للخوارزمية قيوداً، مثل التركيز على استهلاك الطاقة الديناميكي دون معالجة الطاقة الثابتة وفرضيات حول تكلفة ترحيل المهام. تشمل اتجاهات البحث المستقبلية دمج إدارة الطاقة الثابتة، واستكشاف الجدولة القابلة للإيقاف، وتوسيع قابلية التطبيق لأنواع أخرى من المعالجات. بشكل عام، تسهم هذه العمل في تطوير أنظمة حوسبة طرفية فعالة من حيث الطاقة من خلال الاستفادة من تنوع النوى وتحسين قرارات الجدولة.
الطرق
في هذا القسم، يوضح المؤلفون إعداد التجارب والتحليل المقارن المستخدمين لتقييم خوارزمية جدولة المهام بكفاءة طاقة المقترحة للمعالجات متعددة النوى غير المتجانسة (HMPs) في الحوسبة الطرفية. استخدمت التجارب مجموعات مهام صناعية تتكون من 50 إلى 500 مهمة، كل منها بأوقات تنفيذ تتراوح من 10 مللي ثانية إلى 1000 مللي ثانية. تم توليد مواعيد المهام بناءً على أوقات التنفيذ وعامل عشوائي بين 1.2 و 2.0، مع تضمين تبعيات المهام لتعكس القيود الواقعية. تمت مقارنة الخوارزمية المقترحة مع ثلاث خوارزميات جدولة موجودة: أول موعد نهائي (EDF)، وأقرب وقت لإنهاء غير متجانس (HEFT)، وجدولة الوعي بالطاقة (EAS). تم اختبار كل خوارزمية على نفس منصة الأجهزة، مع تكرار التجارب 10 مرات لضمان موثوقية النتائج.
يسلط التحليل المقارن الضوء على الميزات الفريدة للخوارزمية المقترحة، التي تميز نفسها من خلال أولوية المهام الشاملة التي تأخذ في الاعتبار كلاً من المواعيد النهائية والتبعيات، مما يضمن إعطاء الأولوية للمهام الحرجة. بالإضافة إلى ذلك، تقدم نهج تخطيط نواة واعٍ بالأداء يقوم بتخصيص المهام للنوى بناءً على عوامل الأداء، إلى جانب تحسين الطاقة التنبؤية لقرارات تغيير الجهد والتردد الديناميكي (DVFS) بكفاءة. تتيح قدرة الجدولة التكيفية للخوارزمية الاستجابة ديناميكياً لأحمال العمل المتغيرة، مما يدمج أولوية المهام، وتخطيط النواة، وتحسين DVFS لتحقيق كفاءة طاقة وأداء متفوقين عبر سيناريوهات الحوسبة الطرفية المختلفة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على أهمية المعالجات متعددة النوى غير المتجانسة (HMPs) في الحوسبة الطرفية، مشددة على قدرتها على تحقيق التوازن بين الأداء وكفاءة الطاقة من خلال دمج أنواع نوى مختلفة. تعتبر HMPs، التي تتكون من نوى عالية الأداء (HPCs) ونوى فعالة من حيث الطاقة (EECs)، فعالة بشكل خاص لتطبيقات متنوعة مثل المركبات المستقلة وأجهزة إنترنت الأشياء (IoT)، حيث يمكنها التعامل بكفاءة مع المهام التي تتراوح من معالجة البيانات في الوقت الحقيقي إلى التطبيقات متعددة الوسائط. ومع ذلك، فإن تنوع HMPs يقدم تحديات في جدولة المهام وإدارة الموارد، مما يستلزم خوارزميات جدولة متقدمة يمكن أن تتكيف مع أحمال العمل الديناميكية وتحسن استهلاك الطاقة.
تستعرض الورقة خوارزميات جدولة المهام الحالية، مشيرة إلى نقاط قوتها وقيودها. قد لا تستغل الطرق التقليدية، مثل جدولة القوائم، قدرات HMP بشكل كامل، بينما تتضمن الأساليب الأكثر تعقيدًا، مثل خوارزميات أقرب وقت لإنهاء غير متجانس (HEFT) وجدولة الوعي بالطاقة (EAS)، اعتبارات الطاقة ولكن قد تتجاهل تبعيات المهام. يقترح المؤلفون خوارزمية جديدة لجدولة المهام بكفاءة طاقة تدمج تعيين أولوية المهام بناءً على المواعيد النهائية والتبعيات، وتخطيط الوعي بالأداء للنواة، وتغيير الجهد والتردد الديناميكي التنبؤي (DVFS). تهدف هذه الطريقة إلى تقليل استهلاك الطاقة مع تلبية متطلبات الأداء، مع معالجة التوازنات والتحديات المتأصلة في الجدولة لـ HMPs في بيئات الحوسبة الطرفية.
القيود
تتعدد قيود خوارزمية جدولة المهام المقترحة لبيئات الحوسبة الطرفية. أولاً، يستخدم النموذج الحالي رسم بياني موجه غير دوري بسيط (DAG) لتمثيل تبعيات المهام، مما لا يعكس بشكل كافٍ التعقيدات مثل مسارات التنفيذ الشرطية، والحلقات، وإنشاء المهام الديناميكي. يفترض هذا النموذج تبعيات ثابتة ومتجانسة دون الأخذ في الاعتبار تبعيات البيانات أو التوازي في خطوط الأنابيب. لتعزيز قابلية تطبيق الخوارزمية، تشمل اتجاهات البحث المستقبلية دمج نماذج سير العمل المتقدمة، وتحديثات التبعية الديناميكية، ورسوم بيانية للتبعية الموزونة، وتقنيات جدولة واعية بالبيانات. بالإضافة إلى ذلك، يُوصى باستكشاف التعلم الآلي لتوقع التبعية وتوسيع الخوارزمية لتحسين متعدد الأهداف.
ثانياً، يعتمد النموذج على جدولة غير قابلة للإيقاف، بينما يبسط التنفيذ ويقلل من تكلفة تبديل السياق، مما يقدم تحديات للتطبيقات الزمنية الحقيقية. تشمل هذه التحديات انخفاض الاستجابة، واحتمالية فوات المواعيد النهائية، وعدم استغلال الموارد بشكل كاف، وزيادة أوقات الانتظار المتوسطة. تشمل التوسعات المقترحة لمعالجة هذه القضايا اعتماد نهج جدولة هجينة قابلة للإيقاف/غير قابلة للإيقاف، وتنفيذ جدولة عتبة الإيقاف، وتطوير استراتيجيات إيقاف تكيفية. ستكون التعديلات على خوارزمية تخطيط النواة وخوارزمية DVFS ضرورية أيضاً لاستيعاب الإيقافات وتحسين توقعات استهلاك الطاقة. من خلال دمج هذه التحسينات، تهدف الخوارزمية إلى تحسين الاستجابة، واستخدام الموارد، والفعالية العامة في إدارة أحمال العمل المتنوعة في الحوسبة الطرفية.
DOI: https://doi.org/10.1038/s41598-025-92604-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40195397
Publication Date: 2025-04-07
Author(s): Yanchun Liu et al.
Primary Topic: Real-Time Systems Scheduling
Overview
The research paper addresses the challenges of energy-efficient task scheduling in heterogeneous multicore processors (HMPs) within edge computing environments. It critiques existing solutions for their limited integration of dynamic voltage and frequency scaling (DVFS) and proposes a novel algorithm that combines task prioritization, core-aware mapping, and predictive DVFS. This algorithm demonstrates a significant reduction in energy consumption by 20.9% while maintaining a low deadline miss rate of 2.4%. Experimental results on real HMP platforms validate the algorithm’s scalability and adaptability to varying workloads, outperforming established methods such as Earliest Deadline First (EDF) and Energy-Aware Scheduling (EAS).
In conclusion, the proposed algorithm effectively minimizes energy consumption while meeting performance requirements in edge computing. Key components include task priority assignment based on deadlines, core performance-aware task mapping, and energy consumption prediction for DVFS scheduling. Despite its advantages, the algorithm has limitations, such as a focus on dynamic power consumption without addressing static power and assumptions regarding task migration overhead. Future research directions include integrating static power management, exploring preemptive scheduling, and extending applicability to other processor types. Overall, this work contributes to the development of energy-efficient edge computing systems by leveraging core heterogeneity and optimizing scheduling decisions.
Methods
In this section, the authors detail the experimental setup and comparative analysis used to evaluate their proposed energy-efficient task scheduling algorithm for heterogeneous multicore processors (HMPs) in edge computing. The experiments utilized synthetic task sets comprising 50 to 500 tasks, each with execution times ranging from 10 ms to 1000 ms. Task deadlines were generated based on execution times and a random factor between 1.2 and 2.0, with task dependencies included to reflect real-world constraints. The proposed algorithm was compared against three existing scheduling algorithms: earliest deadline first (EDF), heterogeneous earliest finish time (HEFT), and energy aware scheduling (EAS). Each algorithm was tested on the same hardware platform, with experiments repeated 10 times to ensure reliability of results.
The comparative analysis highlights the unique features of the proposed algorithm, which distinguishes itself through comprehensive task prioritization that accounts for both deadlines and dependencies, ensuring critical tasks are prioritized. Additionally, it introduces a performance-aware core mapping approach that intelligently allocates tasks to cores based on performance factors, along with predictive energy optimization for efficient dynamic voltage and frequency scaling (DVFS) decisions. The algorithm’s adaptive scheduling capability allows it to respond dynamically to changing workloads, integrating task prioritization, core mapping, and DVFS optimization to achieve superior energy efficiency and performance across various edge computing scenarios.
Discussion
The discussion section of the paper highlights the significance of heterogeneous multicore processors (HMPs) in edge computing, emphasizing their ability to balance performance and energy efficiency by integrating various core types. HMPs, which consist of high-performance cores (HPCs) and energy-efficient cores (EECs), are particularly effective for diverse applications such as autonomous vehicles and Internet of Things (IoT) devices, where they can efficiently handle tasks ranging from real-time data processing to multimedia applications. However, the heterogeneity of HMPs presents challenges in task scheduling and resource management, necessitating advanced scheduling algorithms that can adapt to dynamic workloads and optimize energy consumption.
The paper reviews existing task scheduling algorithms, noting their strengths and limitations. Traditional methods, like list scheduling, may not fully exploit HMP capabilities, while more sophisticated approaches, such as the Heterogeneous Earliest Finish Time (HEFT) and Energy-Aware Scheduling (EAS) algorithms, incorporate energy considerations but may overlook task dependencies. The authors propose a novel energy-efficient task scheduling algorithm that integrates task priority assignment based on deadlines and dependencies, core performance-aware mapping, and predictive dynamic voltage and frequency scaling (DVFS). This approach aims to minimize energy consumption while meeting performance requirements, addressing the trade-offs and challenges inherent in scheduling for HMPs in edge computing environments.
Limitations
The limitations of the proposed task scheduling algorithm for edge computing environments are multifaceted. Firstly, the current model utilizes a simple Directed Acyclic Graph (DAG) to represent task dependencies, which inadequately captures complexities such as conditional execution paths, loops, and dynamic task creation. This model assumes static and homogeneous dependencies without accounting for data dependencies or pipeline parallelism. To enhance the algorithm’s applicability, future research directions include the integration of advanced workflow models, dynamic dependency updates, weighted dependency graphs, and data-aware scheduling techniques. Additionally, exploring machine learning for dependency prediction and extending the algorithm for multi-objective optimization are recommended.
Secondly, the algorithm’s reliance on non-preemptive scheduling, while simplifying implementation and minimizing context switching overhead, presents challenges for real-time applications. These challenges include diminished responsiveness, potential deadline misses, resource underutilization, and increased average waiting times. Proposed extensions to address these issues involve adopting a hybrid preemptive/non-preemptive scheduling approach, implementing preemption threshold scheduling, and developing adaptive preemption strategies. Modifications to the core mapping algorithm and the DVFS algorithm will also be necessary to accommodate preemptions and optimize energy consumption predictions. By incorporating these enhancements, the algorithm aims to improve responsiveness, resource utilization, and overall effectiveness in managing diverse edge computing workloads.