在具有热约束和半先见之明的混合关键性系统中，采用分区调度算法

《Sustainable Computing: Informatics and Systems》：Partitioned scheduling in mixed-criticality systems with thermal-constrained and semi-clairvoyance

温度约束下多处理器混合关键性系统半先知调度与能效优化研究。该文提出基于稳态热分析的MCS任务温度约束模型，设计新型 Thermal-Aware Partitioned semi-clairvoyant (TAPMC)调度算法，通过电压频率调节实现多核能效优化，实验表明其归一化能耗低于基准算法

　　在现代高性能处理器领域，随着功率密度的指数级增长，系统不仅面临着显著的能量消耗问题，同时芯片温度也在不断上升。这种趋势使得降低能耗和控制温度成为混合临界性系统（Mixed-Criticality Systems, MCS）设计中的两个关键挑战。MCS 是一种将不同关键性级别的任务整合到同一嵌入式平台的技术，广泛应用于航空航天、汽车电子和工业自动化等对可靠性要求极高的场景。然而，随着任务复杂性的提升和硬件资源的有限性，如何在满足任务截止时间的前提下，同时控制系统的温度和能耗，成为当前研究的热点。

为了应对这一挑战，本文聚焦于 MCS 在多处理器平台上的半预知调度策略。半预知调度是一种介于完全预知和完全未知之间的调度方式，它允许高临界性任务在到达时判断其执行时间是否可能超出低临界性模式下的最坏情况执行时间（Worst-Case Execution Time, WCET）。这种特性使得调度器可以在任务开始执行前，根据其执行时间的预测，做出更合理的资源分配决策，从而在保证任务调度正确性的前提下，实现更低的能耗和更好的温度控制。

本文的核心贡献之一是基于稳态热分析提出了 MCS 任务集的温度约束。传统的热分析方法通常假设系统在运行过程中处于稳态，即温度变化趋于稳定。通过这种方法，我们可以对系统运行时的温度进行建模，并据此设定合理的温度上限。这不仅有助于避免因过热而导致的硬件损坏，还为后续的调度算法提供了明确的约束条件。此外，本文还引入了一种新的热感知分区式半预知调度算法——TAPMC（Thermal-Aware Partitioned Semi-Clairvoyant Scheduling），该算法旨在在满足温度限制的前提下，最小化整个系统的归一化能耗。

在调度算法设计方面，TAPMC 借鉴了分区式调度的思想，即将任务预先分配到特定的处理器上，每个处理器独立运行其调度策略。这种方式可以减少任务迁移带来的开销，提高系统的稳定性。然而，传统的分区式调度往往忽略了温度和能耗的动态变化，导致在实际运行中可能出现性能下降或硬件过热的问题。为此，TAPMC 在调度过程中引入了温度感知机制，通过动态调整处理器的电压和频率（Dynamic Voltage and Frequency Scaling, DVFS），实现对能耗和温度的有效控制。具体来说，TAPMC 在任务分配阶段考虑了任务的执行时间、关键性级别以及处理器的热特性，确保在满足任务截止时间的同时，系统整体的温度不会超过设定的阈值。

在任务调度策略上，TAPMC 采用了最早截止时间优先（Earliest Deadline First, EDF）算法。EDF 是一种广泛应用的实时调度算法，它根据任务的截止时间来决定任务的执行顺序，确保高优先级任务能够优先获得资源。然而，在 MCS 环境下，由于任务具有不同的关键性级别，传统的 EDF 算法可能无法有效平衡高临界性任务和低临界性任务的执行需求。为此，TAPMC 在 EDF 的基础上进行了优化，使其能够根据任务的热敏感性进行动态调整，从而在保证任务调度正确性的前提下，进一步降低能耗和温度。

在实验评估部分，本文通过生成随机的合成任务集，对 TAPMC 算法进行了全面测试。实验结果表明，与现有的几种调度算法（如 EA-FFD 和 CU-WFD）相比，TAPMC 在归一化能耗方面表现出更优的性能。EA-FFD 是一种基于任务功耗因子的启发式任务分配算法，它通过优先分配高功耗任务到低负载处理器来减少整体能耗。而 CU-WFD 则是一种基于工作负载分配的算法，它忽略了任务的关键性级别，直接根据任务的执行时间进行分配。相比之下，TAPMC 在任务分配和调度过程中充分考虑了温度和能耗的动态特性，使得其在多处理器平台上的表现更为均衡和高效。

在任务模型方面，本文考虑了双临界性系统（Dual-Criticality System）的特性。双临界性系统通常包含两种类型的任务：高临界性任务和低临界性任务。高临界性任务对系统的可靠性和安全性要求更高，因此其执行时间必须严格控制在最坏情况执行时间（WCET）以内。而低临界性任务则可以在满足某些条件的情况下，允许其执行时间超出 WCET，从而在不影响系统整体功能的前提下，降低能耗。这种任务模型的灵活性使得 MCS 在实际应用中具有更高的适应性，但也对调度算法提出了更高的要求。

为了更准确地评估系统的能耗和温度特性，本文引入了一个综合的功率消耗模型，该模型不仅考虑了任务的执行时间，还考虑了温度对漏电功耗的影响。传统的能耗模型通常假设功率消耗与执行时间成正比，而忽略了温度变化对系统功耗的动态影响。然而，在现代处理器中，温度的变化会显著影响功耗，尤其是在高负载或长时间运行的情况下。因此，本文提出的模型能够更真实地反映系统在实际运行中的能耗和温度行为，为调度算法的设计提供了更可靠的依据。

在任务分配方面，TAPMC 采用了一种基于任务利用率和热敏感性的启发式策略。任务利用率是衡量任务对处理器资源需求的重要指标，而热敏感性则反映了任务对温度变化的敏感程度。通过将这两个因素结合起来，TAPMC 能够在任务分配阶段做出更合理的决策，确保任务在满足截止时间的前提下，尽可能减少对处理器温度的影响。此外，TAPMC 还利用了 DVFS 技术，根据任务的执行需求动态调整处理器的电压和频率，从而在保证任务执行的前提下，降低功耗并控制温度。

实验结果显示，TAPMC 在多种任务集和处理器配置下均表现出良好的性能。特别是在高负载和高温度敏感性的任务环境中，TAPMC 能够显著降低系统的归一化能耗，同时保持系统的稳定性和任务的正确性。相比之下，EA-FFD 和 CU-WFD 等传统算法在面对高温度敏感性任务时，往往无法有效控制温度，导致系统在某些情况下可能超出安全范围。这表明，TAPMC 在兼顾任务调度和热管理方面具有明显的优势。

本文的研究成果对于嵌入式实时系统的优化设计具有重要的意义。随着多核处理器的广泛应用，如何在多处理器平台上实现高效的资源调度和热管理，成为系统设计者面临的关键问题。TAPMC 算法提供了一种新的思路，即在任务调度过程中同时考虑能耗和温度的动态变化，从而实现更全面的系统优化。此外，本文的研究也为未来 MCS 系统的调度算法设计提供了理论支持和实践指导，特别是在应对高功耗和高温度敏感性任务时，TAPMC 的应用可以有效提升系统的可靠性和能效。

在实际应用中，TAPMC 算法可以用于航空航天、自动驾驶、工业控制等对安全性和能效要求较高的领域。例如，在航空航天系统中，由于任务的复杂性和对可靠性的高要求，MCS 被广泛采用。然而，随着任务数量的增加和执行时间的延长，系统的能耗和温度问题逐渐显现。通过引入 TAPMC 算法，可以在不影响任务正确性的前提下，有效降低系统的能耗和温度，从而提高系统的运行效率和安全性。同样，在自动驾驶系统中，多处理器平台的使用使得任务调度和热管理变得更加复杂，而 TAPMC 的引入可以为这类系统提供更高效的调度方案。

此外，本文的研究还对现有的 MCS 调度算法进行了系统性回顾。现有的 MCS 调度算法主要分为完全预知、半预知和非预知三种类型。其中，完全预知调度要求任务的执行时间在任务到达时已知，这在实际应用中往往难以实现。而非预知调度则完全依赖于任务的实际执行时间，无法提前做出调度决策，因此在能效和温度控制方面存在一定的局限性。半预知调度则提供了一种折中的方案，它允许任务在到达时判断其执行时间是否可能超出 WCET，从而在调度过程中做出更合理的决策。然而，目前大多数半预知调度算法并未充分考虑温度和能耗的动态变化，导致其在实际应用中可能存在性能瓶颈。

本文提出的 TAPMC 算法在半预知调度的基础上，进一步引入了温度感知机制，使得调度算法能够在满足任务截止时间的同时，有效控制系统的温度和能耗。这种综合考虑任务调度、温度和能耗的策略，不仅提高了系统的运行效率，还增强了系统的稳定性和可靠性。在多处理器平台上，温度和能耗的动态变化往往相互影响，形成一种恶性循环。例如，高功耗任务可能导致芯片温度上升，而温度上升又会增加漏电功耗，从而进一步增加系统的能耗。因此，如何在任务调度过程中打破这种恶性循环，成为提高系统能效的关键。

在本文的实验部分，通过合成任务集的测试，TAPMC 算法在多个方面均表现出优越性。首先，在任务分配阶段，TAPMC 能够根据任务的利用率和热敏感性，合理地将任务分配到不同的处理器上，从而平衡系统的负载和温度。其次，在任务调度阶段，TAPMC 采用了 EDF 算法，并结合了温度感知机制，使得调度器能够在任务执行前判断其对温度的影响，从而做出更合理的调度决策。最后，在处理器频率和电压的调整方面，TAPMC 能够根据任务的执行需求动态调整处理器的运行状态，从而在保证任务正确性的前提下，降低系统的能耗和温度。

本文的研究还表明，温度和能耗的动态变化对 MCS 系统的性能有重要影响。传统的调度算法往往只关注任务的截止时间和资源利用率，而忽略了温度和能耗的相互作用。然而，在实际应用中，温度过高可能导致硬件损坏，而能耗过高则可能增加系统的运行成本。因此，将温度和能耗纳入调度算法的设计考量，对于提高 MCS 系统的可靠性和能效具有重要意义。TAPMC 算法正是基于这一理念，通过综合考虑任务调度、温度和能耗，实现对 MCS 系统的全面优化。

综上所述，本文提出了一种基于分区式半预知调度的热感知算法 TAPMC，旨在在满足任务截止时间和温度限制的前提下，最小化系统的归一化能耗。该算法通过合理分配任务到不同的处理器，并结合 DVFS 技术动态调整处理器的电压和频率，实现了对能耗和温度的有效控制。实验结果表明，TAPMC 在多个任务集和处理器配置下均优于现有的调度算法，为 MCS 系统的优化设计提供了新的思路和方法。未来的研究可以进一步探索 TAPMC 在不同应用场景下的适应性，以及如何将其扩展到多临界性系统（Multi-Criticality Systems）中，以应对更复杂的调度需求。