CN108415770B

CN108415770B - 一种面向移动Web服务的CPU资源自适应调度系统及方法

Info

Publication number: CN108415770B
Application number: CN201810049339.9A
Authority: CN
Inventors: 任杰; 田丰
Original assignee: Shaanxi Normal University
Current assignee: Shaanxi Normal University
Priority date: 2018-01-18
Filing date: 2018-01-18
Publication date: 2021-07-20
Anticipated expiration: 2038-01-18
Also published as: CN108415770A

Abstract

一种面向移动Web服务的CPU资源自适应调度系统及方法，包括支持向量机分类算法学习模块，网络感知模块、网页特征提取模块及CPU资源动态调度模块；本发明针对搭建异构处理器架构的移动设备，线下提取海量网页架构及样式特征信息，学习不同优化目标的最优CPU资源配置，构建资源配置模型，在用户进行Web浏览时，感知当前网络环境，并在网页解析阶段采集网页信息，根据不同的优化目标，将网页特征信息输入对应的资源配置模型，动态分配CPU资源，该系统可有效降低移动Web浏览能耗，降低Web加载时间，为用户提供快速响应的Web服务，具有实时快速、低功耗、低成本的优点。

Description

一种面向移动Web服务的CPU资源自适应调度系统及方法

技术领域

本发明属于移动Web服务资源调度系统技术领域，尤其涉及一种面向移动Web服务的CPU资源自适应调度系统及方法，移动浏览器依据网页负载和网络环境对网页进行低功耗高性能的加载服务。

背景技术

随着无线通讯技术的飞速发展，移动用户可以更便捷地获取网络服务。目前，移动Web浏览器仍是多数用户获取网络服务(网络搜索、邮件、购物及社交媒体)的首选方式。除此之外，随着HTML5的成熟，市场上涌现出大量基于Web开发的移动网络应用。各式各样的浏览器和移动Web应用的共同核心是计算密集型的浏览器引擎(渲染引擎)。为了丰富用户上网体验，降低网页加载时间，浏览器的性能不断提升以应对越来越复杂的网页结构，最终导致浏览过程对资源和电量的大量消耗。调查显示，73％的移动网民抱怨糟糕的Web浏览体验，过慢的网页加载速度和高功耗的工作状态不仅影响用户体验，同样限制着浏览器的进一步发展。

网络是影响移动Web浏览体验的一个重要因素。近年来研究和开发人员主要通过增加网络带宽，缓存浏览内容，预取或者缓存网页数据以及重组浏览器下载和计算顺序来降低网络对web加载性能的影响。除此之外，CPU是移动Web浏览性能提升的另一个瓶颈。移动浏览器由解析器、渲染引擎(Webkit，Gecko)和JavaScript引擎组成(V8，TraceMonkey)，它们都需要完成大量计算密集型任务。现有研究主要通过并行处理浏览过程来提升浏览体验。例如Chromium多进程架构和网页并行加载算法。目前，优化浏览器的相关研究有效的提升了Web浏览速度，但依然存在以下3点问题：

1)不考虑Web浏览过程中的高能耗问题；

2)优化目标单一(性能或者能耗)；

3)现有的异构调度器无法对网页负载进行有效的分析，无法进行高效的调度。

ARM公司开发的big.LITTLE异构多核心架构，将高性能核心(big core)和低功耗核心(LITTLE core)相结合，旨在有效利用CPU资源，在提升性能的同时，优化任务的执行功耗。例如，网页加载过程的初始化渲染或者游戏场景切换，这类CPU密集型任务总是伴随着诸如用户滚动阅读、等待游戏玩家输入等低强度任务。以及一些轻量级任务，如打字、发送E-mail。这些都可以通过对big.LITTLE异构核心的合理调度来达到降低功耗，提升性能的目标。官方报告显示，big.LITTLE在软实时环境中，最高可节能75％。另外，可通过对任务的高度并行处理达到提升的性能的目标，实验显示最高可提升性能40％。本章使用的OdroidXU3配置了高性能(Cortex-A15)和低功耗(Cortex-A7)CPU核心。Cortex-A15拥有15到24级流水线，运行速度快，功耗较大。Cortex-A7配置8到10级别流水线，处理轻量级任务，功耗较低。该架构为移动Web浏览的能耗和性能优化提供了新的可能性。

当前移动浏览器主要依赖操作系统默认调度策略完成网页的渲染加载工作。而操作系统并不了解浏览器需要渲染网页的负载情况，结果往往导致浏览器的高能耗问题。本发明根据网页负载特点、用户优化目标及当前网络状态，动态调度异构核心以满足不同的用户需求：最快加载速度，最低加载能耗或者EDP(两者权衡值)。鉴于移动架构的多样性，本发明提出针对不同平台，自动构建优化策略。基于机器学习算法对异构平台的合理利用来达到优化Web浏览能效的目标。该系统及方法针对不同优化目标提供最优处理器配置(使用哪个内核，以什么频率渲染网页)，不同于专家经验手动配置，本发明的自动技术可以移植于不同的计算平台，通过对训练网页数据的特征提取，利用机器学习方法自动构建预测器。训练模型预测不同Web负载的最优配置。

发明内容

为克服上述现有技术的不足，本发明的目的是提供一种面向移动Web服务的CPU资源自适应调度系统及方法，解决现有技术在移动Web浏览过程中产生的高能耗问题、系统资源消耗严重问题和移动用户Web浏览体验欠佳等问题，为用户提供高质量的移动Web浏览服务，有效提升的移动Web浏览速度，降低浏览能耗。

为实现上述目的，本发明采用的技术方案是：一种基于支持向量机的移动Web浏览资源动态调度系统，一种面向移动Web服务的CPU资源自适应调度系统，其特征在于，包括有Web特征采集模块、线下机器学习模块、网络状态感知模块和CPU资源调度模块；所述Web特征采集模块，用于采集Web架构及样式特征信息；所述线下机器学习模块，遍历不同CPU配置组合加载海量网页，根据用户需求标记最优配置，通过支持向量机分类算法，构建相应的CPU资源调度模型；所述网络状态感知模块，用于判断网络类型和当前网络通讯质量；CPU资源调度模块，利用线下学习好的调度模块，根据网页负载、网络状态和用户需求来动态调度CPU资源。

所述的Web架构与HTML相关。

所述的样式特征与CSS相关。

所述的用户需求为最低能耗，最快浏览速度或最优EDP。

所述的网络类型为2G，3G，4G或WiFi。

所述Web特征采集模块包括：1)浏览器插件，用于实时采集海量Web架构及样式特征信息；

HTML标签包括：a,b,br,button,div,h1,h2,h3,h4,i,iframe,li,link,meta,nav,img,noscript,p,script,section,span,style,table,tbody；HTML

属性包括：alt,async,border,charset,class,height,content,href,media,method,onclick,placeholder,property,rel,role,style,target,type,value,background,cellspacing,width,xmlns,src；

样式选择器包括：class,descendant,element,id；

样式规则包括：

background.attachment/clip/color/image,background.repeat.x/y,font.family/size/weight,color,

float,background.size,background.border.image.repeat/slice/source/width；

其他信息包括：DOM tree depth,#DOM nodes,#style rules,size of thewebpage(Kilobytes)

2)特征处理算法，对特征进行归一化处理，特征进行归一化处理，为下一步的机器学习模块提供特征输入值；在将特征值输入到学习算法之前，为了均衡不同特征对分类结果的影响程度，通过公式(1)min-max标准化对特征值进行归一化处理；然后将处理好的特征信息输入SVM分类算法构建预测模型；在实际使用阶段，也需先提取特征值进行归一化处理，然后输入分类模型进行分类预测，

其中x为输入特征的原始值，max(x)为某一类特征的最大特征值，min(x)为某一类特征的最小特征值，x′为规一化后的新的特征值。

所述线下机器学习模块包括：

1)CPU控制器：用于自动遍历异构CPU大小核任意组合频率，并自动标记不同优化目标下的最优配置，最优配置包括加载时间，能耗和EDP；

2)SVM分类算法：利用支持向量机分类算法，根据Web特征采集模块采集到的信息，对应最优CPU配置，构建不同特征信息的最优配置模型。

所述网络状态感知模块包含网络状态感知插件，网络状态感知插件：判断当前移动设备网络通讯技术2G、3G、4G或WiFi，在网页加载期间测量当前链路下行带宽、上行带宽及延迟，带入公式(2)，获得综合评分值，并根据已有的不同网络环境的参数确定当前所处网络环境，最终根据网络环境和用户期望选择最优的CPU配置模型，

d＝α|db_m-db|+β|ub_m-ub|+γ|d_m-d| (2)

其中db_m为测量得到的下行带宽，ub_m为上行带宽，d_m为延迟，α，β，γ为权重，根据获得数据，对当前网络状态进行定义，α，β，γ分别为0.3，0.1，0.6，延迟具有较大权重。分别带入不同环境进行计算，d值最小的为当前环境。

所述CPU资源调度模块：根据线下机器学习模块采集的网络状态特征信息、根据网络状态感知模块构建的CPU资源预测模型，动态调度CPU资源。

面向移动Web服务的CPU资源自适应调度系统的使用方法，构建基于用户体验需求的CPU配置预测模型，在用户进行Web浏览时，根据网页负载及当前网络状态动态分配CPU资源，具体包括以下步骤：

步骤S1:采集海量Web特征信息；

步骤S2:遍历CPU配置，根据不同优化目标，标记对应的最优配置；

步骤S3:基于支持向量机算法，根据步骤S1，步骤S2采集内容，构建CPU配置预测模型；

步骤S4:获取当前网络状态和用户需求，选择最优的资源配置模型，并采集即将加载的Web特征信息，进行归一化处理；

步骤S5:步骤S4获得的Web特征值输入选择的配置模型，调度CPU资源。

所述步骤S1又包括步骤S11，步骤S12和步骤S13：

步骤S11，遍历海量网页，浏览器解析过程中遍历DOM树，获取HTML标签及数量、HTML标签及数量、DOM结点数及DOM树深度；

步骤S12，遍历海量网页，获取CSS特性及数量、CSS规则及数量及CSS选择器模式及数量；

步骤S13，均衡不同特征对分类结果的影响程度，对特征值按照公式(1)进行归一化处理：

x为输入特征的原始值，max(x)为某一类特征的最大特征值，min(x)为某一类特征的最小特征值，x′为规一化后的新的特征值。

所述步骤S2还包括步骤S21和步骤S22：

步骤S21，利用Shell脚本，加载海量网页，将浏览器进程放在异构处理器大小核上分别执行，遍历大小核所有组合配置；

步骤S22，收集加载功耗和加载时间，标记对应特征的最优加载功耗配置和最优加载时间配置以及最优EDP，EDP为能耗和时间的乘积。

所述步骤S3，将步骤S1的特征值以及S2样本标签输入SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和gamma值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和gamma值，确定基于不同优化目标的CPU资源调度模型。

所述步骤S4包括：步骤S41、步骤S42、步骤S43和步骤S44：

步骤S41，将S3获得的CPU资源调度模块部署在浏览器插件中；

步骤S42，判断当前移动设备网络通讯技术是2G、3G、4G或WiFi，在网页加载期间测量当前链路下行带宽、上行带宽及延迟，带入公式(2)，获得综合评分值，并根据已有的不同网络环境的参数确定当前所处网络环境，最终根据网络环境和用户期望选择最优的CPU配置模型，

d＝α|db_m-db|+β|ub_m-ub|+γ|d_m-d| (2)

其中db_m为测量得到的下行带宽，ub_m为上行带宽，d_m为延迟，α，β，γ为权重，根据获得数据，对当前网络状态进行定义，α，β，γ分别为0.3，0.1，0.6，延迟具有较大权重，分别带入不同环境进行计算，d值最小的为当前环境；

步骤S43，收集即将浏览网页特征信息；

步骤S44，将S43获得的信息输入CPU配置预测模型，并输出预测结果。

步骤S5，将S44输出结果输入CPU调度器，根据CPU预测值调度浏览进程。

本发明的有益效果是：

本发明提供面向移动Web服务的CPU资源自适应调度系统及方法，针对移动Web浏览过程中的能耗问题，基于big.LITTLE异构处理器平台，构建高效灵活的CPU动态调度模型。该模型通过支持向量机(SVM，Support Vector Machine)对500个热门网页架构(HTML)和样式(CSS)进行线下学习而得。根据当前网络状态及网页负载情况，利用big.LITTLE异构平台内置高性能处理器和低功耗处理器的优势，为Web浏览过程动态分配CPU资源。旨在提升用户浏览体验，降低网页加载功耗。实验结果表明，相比于DVFS按需调度策略，本发明提出的基于SVM的CPU调度模型，能大幅降低Web浏览能耗，提升浏览性能。

本发明的面向移动Web服务的CPU资源自适应调度系统，包含Web特征采集模块、线下机器学习模块、网络状态判断模块和CPU资源调度模块；在每个移动浏览器中嵌入CPU配置预测模型插件，接受用户的浏览请求，根据网页负载及网络状态选择最优的CPU配置进行浏览加载，实现Web浏览性能的提升，能耗的优化。

附图说明

图1为本发明的Web特征采集及预处理模块结构示意图。

图2为本发明的最优配置标记过程示意图。

图3为本发明的线下机器学习模块结构示意图。

图4为本发明的状态信息获取模块结构示意图。

图5为本发明的CPU资源调度模块结构示意图。

图6为本发明的系统工作流程示意图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

一种面向移动Web服务的CPU资源自适应调度系统，其特征在于，包括有Web特征采集模块、线下机器学习模块、网络状态感知模块和CPU资源调度模块；所述Web特征采集模块，用于采集Web架构及样式特征信息；所述线下机器学习模块，遍历不同CPU配置组合加载海量网页，根据用户需求标记最优配置，通过支持向量机分类算法，构建相应的CPU资源调度模型；所述网络状态感知模块，用于判断网络类型和当前网络通讯质量；CPU资源调度模块，利用线下学习好的调度模块，根据网页负载、网络状态和用户需求来动态调度CPU资源。

所述的Web架构与HTML相关；所述的样式特征与CSS相关；所述的用户需求为最低能耗，最快浏览速度或最优EDP；所述的网络类型为2G，3G，4G或WiFi。

所述Web特征采集模块包括：

1)浏览器插件，用于实时采集海量Web架构及样式特征信息；如表1所示；

表1网页特征

所述线下机器学习模块包含：

所述网络状态感知模块包含网络状态感知插件，网络状态感知插件：判断当前移动设备网络通讯技术是2G、3G、4G或WiFi，在网页加载期间测量当前链路下行带宽、上行带宽及延迟，带入公式(2)，获得综合评分值，并根据已有的不同网络环境的参数确定当前所处网络环境，最终根据网络环境和用户期望选择最优的CPU配置模型，

d＝α|db_m-db|+β|ub_m-ub|+γ|d_m-d| (2)

其中db_m为测量得到的下行带宽，ub_m为上行带宽，d_m为延迟，α，β，γ为权重，根据获得数据，对当前网络状态进行定义，α，β，γ分别为0.3，0.1，0.6，延迟具有较大权重，分别带入不同环境进行计算，d值最小的为当前环境。

表2不同网络环境参数

网络	上行带宽	下行带宽	延迟
				Regular 2G	50kbps	100kbps	1000ms
Good 2G	150kbps	250kbps	300ms
				Regular 3G	300kbps	550kbps	500ms
Good 3G	1.5Mbps	5.0Mbps	100ms
				Regular 4G	1.0Mbps	2.0Mbps	80ms
Good 4G	8.0Mbps	15.0Mbps	50ms
				WiFi	15Mps	30Mbps	5ms

所述CPU资源调度模块包括CPU资源调度器：根据线下机器学习模块采集的网络状态特征信息、网络状态感知模块构建的CPU资源预测模型，动态调度CPU资源。

面向移动Web服务的CPU资源自适应调度系统的使用方法，包括以下步骤：

1)采集海量Web特征信息；

2)遍历CPU配置，根据不同优化目标，标记对应的最优配置；

3)基于支持向量机算法，根据步骤1)、步骤2)采集内容，通过支持向量机寻找网页特征同加载能耗和加载时间的关系，构建CPU配置预测模型；

4)获取当前网络状态和用户需求，选择最优的资源配置模型；

5)采集Web特征信息，并输入步骤4)选择的配置模型，调度CPU资源；

如图1所示为本发明实现移动Web浏览动态调度CPU模型的Web特征采集模块结构，包括以下步骤：步骤S11中，首先遍历海量网页，下载HTML文件，解析过程中遍历DOM树，获取HTML标签及数量、HTML标签及数量、DOM结点数及DOM树深度；步骤S12中于此同时下载CSS文件，CSS特性及数量、CSS规则、数量、CSS选择器模式及数量；步骤S13对特征值进行归一化处理。

如图2所示为本发明实现的最优配置标记模块，包括以下步骤：步骤S211中，利用Shell脚本，自动加载网页海量网页；步骤S212中，设置浏览器进程在不同的核心上运行并遍历所有频率；步骤S221中，获取加载网页时的能耗和加载时间；步骤S222中，计算最优加载能耗，时间，EDP，并标记；

如图3所示为本发明实现的线下机器学习模块，包括以下步骤：步骤S31中将步骤S11、S12的特征值以及步骤S222样本标签输入SVM-RBF算法；步骤S32利用网格搜索法确定SVM-RBF错分代价参数C和gamma值；步骤S33中构建基于不同优化目标的CPU预测模型；

如图4所示为本发明实现的状态信息获取模块，包括以下步骤：步骤S41中将步骤S33构建的模型部署到移动浏览器中；步骤S421判断当前网络通讯技术；步骤S422采集RSSI信号强度值和RTT值判断当前网络链路质量，根据网络环境和用户期望选择对应的CPU配置模型；步骤S43采集即将加载网页的特征信息并作归一化处理。最后将步骤S43、步骤S421和步骤S422获得的信息输入CPU配置预测模型，并输出预测结果；

如图5所示为本发明实现的CPU资源调度模块，包括以下步骤：步骤S51中将S44步骤输出结果输入CPU调度器；步骤S52中将迁移浏览进程并调整CPU核心工作频率。

如图6所示为上述五个模块的协同工作流程。首先进行线下学习训练模型，利用SVM-RBF寻找海量网页特征数据和最优配置信息的映射关系，构建不同优化目标的预测模型。当用户浏览新的网页时，首先提取特征，然后输入训练好的模型中，进行预测，最后将预测结果输入到CPU调度器，对进程进行调度。

Claims

1.一种面向移动Web服务的CPU资源自适应调度系统，其特征在于，包括有Web特征采集模块、线下机器学习模块、网络状态感知模块和CPU资源调度模块；所述Web特征采集模块，用于采集Web架构及样式特征信息；所述线下机器学习模块，遍历不同CPU配置组合加载海量网页，根据用户需求标记最优配置，通过支持向量机分类算法，构建相应的CPU资源调度模型；所述网络状态感知模块，用于判断网络类型和当前网络通讯质量；CPU资源调度模块，利用线下学习好的调度模块，根据网页负载、网络状态和用户需求来动态调度CPU资源；

所述的Web架构与HTML相关；所述的样式特征与CSS相关；所述的用户需求为最低能耗，最快浏览速度或最优EDP；所述的网络类型为2G，3G，4G或WiFi；

所述Web特征采集模块包括：

1)浏览器插件，用于实时采集海量Web架构及样式特征信息；

2)特征处理算法，对特征进行归一化处理，为下一步的机器学习模块提供特征输入值；在将特征值输入到学习算法之前，为了均衡不同特征对分类结果的影响程度，通过公式(1)min-max标准化对特征值进行归一化处理；然后将处理好的特征信息输入SVM分类算法构建预测模型；在实际使用阶段，也需先提取特征值进行归一化处理，然后输入分类模型进行分类预测，

x为输入特征的原始值，max(x)为某一类特征的最大特征值，min(x)为某一类特征的最小特征值，x′为规一化后的新的特征值；

所述线下机器学习模块包含：

2)SVM分类算法：利用支持向量机分类算法，根据Web特征采集模块采集到的信息，对应最优CPU配置，构建不同特征信息的最优配置模型；

d＝α|db_m-db|+β|ub_m-ub|+γ|d_m-d| (2)

所述CPU资源调度模块，CPU资源调度器：根据线下机器学习模块采集的网络状态特征信息、根据网络状态感知模块构建的CPU资源预测模型，动态调度CPU资源。

2.面向移动Web服务的CPU资源自适应调度系统的使用方法，其特征在于，包括以下步骤：

1)采集海量Web特征信息；

2)遍历CPU配置，根据不同优化目标，标记对应的最优配置；

所述步骤1)又包括步骤11)，步骤12)和步骤13)：

步骤11)，遍历海量网页，浏览器解析过程中遍历DOM树，获取HTML标签及数量、HTML标签及数量、DOM结点数及DOM树深度；

步骤12)，遍历海量网页，获取CSS特性及数量、CSS规则及数量及CSS选择器模式及数量；

步骤13)，均衡不同特征对分类结果的影响程度，对特征值按照公式(1)进行归一化处理：

所述步骤2)还包括步骤21)和步骤22)：

步骤21)，利用Shell脚本，加载海量网页，将浏览器进程放在异构处理器大小核上分别执行，遍历大小核所有组合配置；

步骤22)，收集加载功耗和加载时间，标记对应特征的最优加载功耗配置和最优加载时间配置以及最优EDP，EDP为能耗和时间的乘积；

所述步骤3)，将步骤S1的特征值以及S2样本标签输入SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和gamma值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和gamma值，确定基于不同优化目标的CPU资源调度模型；

所述步骤4)包括：步骤41)、步骤42)、步骤43)和步骤44)：

步骤41)，将步骤3)获得的CPU资源调度模块部署在浏览器插件中；

步骤42)，判断当前移动设备网络通讯技术是2G、3G、4G还是WiFi，在网页加载期间测量当前链路下行带宽、上行带宽及延迟，带入公式(2)，获得综合评分值，并根据已有的不同网络环境的参数确定当前所处网络环境，最终根据网络环境和用户期望选择最优的CPU配置模型，

d＝α|db_m-db|+β|ub_m-ub|+γ|d_m-d| (2)

步骤43)，收集即将浏览网页特征信息；

步骤44)，将步骤43)获得的信息输入CPU配置预测模型，并输出预测结果；

所述的步骤5)，将步骤44)输出结果输入CPU调度器，根据CPU预测值调度浏览进程。