在具有动态电压频率调节（DVFS）和任务迁移功能的异构多核平台上，基于服务质量（QoS）的近似任务映射方法

《ACM Transactions on Embedded Computing Systems》：QoS-Aware Approximate Task Mapping on Heterogeneous Multicore Platforms with DVFS and Task Migration

针对异构多核平台上的近似计算任务分配问题，提出融合动态电压频率缩放（DVFS）和任务迁移的优化方法。通过线性化非线性规划模型并分解为子问题求解，显著提升服务质量（QoS）与可行性（平均3.263倍提升），并设计高效启发式算法平衡性能与计算开销。

　　

摘要AI 摘要

摘要

摘要

异构多核平台（HMPs）已被广泛用于执行各种应用程序的任务。在系统资源有限和应用程序需求多样的情况下，在这些平台上分配和执行依赖的近似计算（AC）任务以实现高质量的服务（QoS）具有挑战性。动态电压和频率调节（DVFS）以及任务迁移已被证明可以有效提高 QoS，同时平衡时间和能耗。然而，现有方法往往忽略了迁移开销以及由此导致的任务依赖关系动态变化，这可能对映射结果产生不利影响。为了解决这些问题，本文提出了一种新的 AC 任务映射方法，该方法在多个约束条件下最大化系统 QoS，同时考虑了任务迁移开销、DVFS 和有向无环图（DAG）拓扑的变化。我们首先将这个联合设计问题表述为一个复杂的非线性编程问题。接下来，通过引入辅助变量和额外约束，我们将非线性项线性化，而不会损失性能。基于这种表述，我们提出了一种最优（OPT）算法和一种低复杂度的启发式算法（HEU），该算法通过问题分解和贪婪策略将混合整数非线性编程（MINLP）问题分解为两个变量和约束更少的子问题，并依次求解它们。仿真结果表明，与其它最先进方法相比，所提出的 OPT 方法平均实现了约 2.389 倍的更高 QoS 性能，最高可达 4.115 倍；而 HEU 方法的平均可行性提高了约 3.263 倍，最高可达 9.667 倍。此外，HEU 方法的平均 QoS 大约为所提出方法的 0.577 倍，但其计算时间缩短了一千多倍。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

AI 生成的摘要

版本创建于 2026 年 2 月 9 日。

本研究解决了在异构多核平台上映射近似计算任务的同时，在能源和实时约束下优化服务质量的挑战。该工作结合了动态电压和频率调节以及任务迁移来提高系统性能。

作者将问题表述为一个混合整数非线性编程模型，该模型考虑了以有向无环图表示的任务依赖关系、包括时间和能源成本的迁移开销以及电压-频率调节选项。每个近似计算任务由必须在截止日期前完成的强制周期和可选周期组成，可选周期可以提高结果质量。通过辅助变量和约束，论文将非线性表述线性化，将其转换为标准优化求解器可解决的混合整数线性编程问题。

鉴于问题规模增大时精确解的计算成本会增加，研究人员开发了一种两步启发式算法，将原始问题分解为子问题。第一步将纯强制性和混合强制-可选子任务进行映射，以在尊重约束的同时平衡执行时间和能耗。第二步分配纯可选子任务，通过选择允许在可用时间和能源预算内执行额外可选周期的处理器和电压-频率级别来最大化整体服务质量。

最优方法实现了显著更高的服务质量，平均提高了约 238.9%，与没有任务迁移和电压-频率调节的最先进方法相比最高提高了 411.5%。可行性也显著提高，平均提高了约 326.3%，最高提高了 966.7%。启发式方法通过将计算时间缩短了一千多倍，同时仍然提供了接近最优解质量的 57.7% 的结果。

仿真实验评估了系统参数（包括时间和能源约束、任务迁移开销以及具有不同数量异构处理器的平台配置）的影响。结果表明，任务迁移能够自适应地优化分配，同时考虑时间和能源目标比仅关注单一目标会产生更好的可行性。研究表明，结合任务迁移和电压-频率调节可以协同提高服务质量和任务调度性。

作者明确地对迁移开销进行了建模，并证明即使在高开销成本的悲观条件下，服务质量的下降也仍然有限。该方法允许在异构处理器之间更灵活地分配任务，使任务能够在处理器之间切换，以更好地利用可用资源，同时满足竞争性的时间和能源要求，并最大化执行提高质量的可选周期。

此内容由 AI 生成。了解更多