[发明专利]一种基于深度学习的RMS可调度性判定方法及装置

说明书

本发明提供一种基于深度学习的RMS可调度性判定方法及装置，该方法包括：首先，获取待执行任务集，接着，采用空间划分方法对待执行任务集进行划分，获取第一任务子集，根据第一任务子集的调度特征及预先训练好的可调度性判定模型，获取可调度性判定结果，可调度性判定结果用于表示第一任务子集能否在单核处理器上按照RMS算法被调度。本发明所提供的方法利用预先训练好的能够预测任务集能否在单核处理器上按照RMS算法被调度的可调度性判定模型，进行可调度性判定，提高了可调度性判定结果的准确度。另外，对待执行任务集对应的第一任务子集进行可调度性判定，还能够在完整的待执行任务集无法被调度时，提供决策依据。

技术领域

本发明涉及实时调度领域，尤其涉及一种基于深度学习的RMS可调度性判定方法及装置。

背景技术

实时系统主要是面向与时间因素紧密相关的应用系统，它在航空、航天、医疗、银行、多媒体等多个领域都有着较为广泛的应用。由于实时系统对时间行为特性有严格要求，因此，在实时系统的设计中，实时系统的可预测性是设计者需要考虑的重要因素。其中，实时系统的可预测性通常和实时系统中所采用的调度算法有关。

对于周期性任务，基于优先级的静态调度常采用单调速率调度(Rate MonotonicScheduling，简称：RMS)算法。RMS算法具体表现为：通过可调度性判定公式，获取任务集的可调度性判定结果，并根据可调度性判定结果，按照固定的优先级顺序调度任务集中各任务。

但在采用RMS算法进行静态调度时，需要在大量的假设和约束条件的前提下，通过数学方法推导出可以用形式化语言描述的可调度性判定公式，这导致得到的可调度性判定结果准确度较低，且该可调度性判定结果只能判定完整任务集能否被调度，导致静态调度的灵活性较低。

发明内容

本发明提供一种基于深度学习的RMS可调度性判定方法及装置，以实现提高可调度性判定结果准确度及静态调度的灵活性。

第一方面，本发明提供一种基于深度学习的RMS可调度性判定方法，该方法包括：

获取待执行任务集，其中，所述待执行任务集包括至少一个周期性、且可抢占的待执行任务；

采用空间划分方法对所述待执行任务集进行划分，获取第一任务子集，其中，所述第一任务子集包括至少一个所述待执行任务，所述空间划分方法用于对由所述待执行任务的属性参数所映射的高维度空间进行划分，以获取所述待执行任务在空间上的不同排列组合；

根据所述第一任务子集的调度特征及预先训练好的可调度性判定模型，获取可调度性判定结果，其中，所述可调度性判定结果用于表示所述第一任务子集能否在单核处理器上按照单调速率调度RMS算法被调度。

进一步地，所述根据所述第一任务子集的调度特征及预先训练好的可调度性判定模型，获取可调度性判定结果之后，还包括：

根据所述可调度性判定结果，将可在单核处理器上按照RMS算法被调度，且待执行任务数量最多的所述第一任务子集确定为目标任务子集，以使单核处理器按照RMS算法调度所述目标任务子集中各待执行任务。

进一步地，所述待执行任务集包括M个所述待执行任务，M为大于0的整数；

所述采用空间划分方法对所述待执行任务集进行划分，获取第一任务子集，包括：

对M个所述待执行任务进行全排列，获取个所述第一任务子集，其中，表示从M个所述待执行任务中选取I个进行排列组合所得到的第一任务子集的个数，I为大于0的整数，X为对M个所述待执行任务进行全排列得到的第一任务子集的个数，X为大于1的整数。

进一步地，所述预先训练好的可调度性判定模型通过以下方式获取：

获取任务集，其中，所述任务集包括至少一个任务；