CN116414667A - 一种计算卸载中估计应用程序执行时延的方法 - Google Patents

一种计算卸载中估计应用程序执行时延的方法 Download PDF

Info

Publication number
CN116414667A
CN116414667A CN202310253388.5A CN202310253388A CN116414667A CN 116414667 A CN116414667 A CN 116414667A CN 202310253388 A CN202310253388 A CN 202310253388A CN 116414667 A CN116414667 A CN 116414667A
Authority
CN
China
Prior art keywords
application program
distribution function
cpu
probability distribution
cycle number
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310253388.5A
Other languages
English (en)
Inventor
杨清海
张晓康
侯运阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Technology of Xidian University
Original Assignee
Guangzhou Institute of Technology of Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Technology of Xidian University filed Critical Guangzhou Institute of Technology of Xidian University
Priority to CN202310253388.5A priority Critical patent/CN116414667A/zh
Publication of CN116414667A publication Critical patent/CN116414667A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3017—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is implementing multitasking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H04L67/5683—Storage of data provided by user terminals, i.e. reverse caching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种计算卸载中估计应用程序执行时延的方法。该方法包括步骤:将要进行计算卸载决策的应用程序抽象成含有应用程序特征参数的配置文件并建立CPU周期数模型；估计应用程序任务的需求分布得到累积概率分布函数；根据所述累积概率分布函数计算得到估计结果；本发明旨在解决计算卸载决策时难以获取应用程序执行CPU周期数的问题，通过描述应用程序的参数来建立执行所需周期数模型，并采用在线分析技术和直方图技术通过概率统计的方法估计应用程序所需CPU周期数，为计算卸载决策提供了有效支撑，并降低了资源有限的边缘设备上进行计算卸载决策所需消耗的计算资源和能量。

Description

一种计算卸载中估计应用程序执行时延的方法
技术领域
本发明涉及计算卸载技术领域，具体是一种计算卸载中估计应用程序执行时延的方法。
背景技术
计算卸载是边缘计算的关键技术，它旨在优化边缘计算、存储和通信资源的使用，同时考虑有限资源、能源消耗和网络延迟的约束。由于用户设备资源局限性，可以将应用程序在满足时延和能量消耗的前提下卸载到其他设备中执行。电池供电的移动设备，例如手机和笔记本电脑，有望成为计算卸载应用的重要设备。对设备的执行任务来说，根据任务的功能性可以分为两种类型：计算密集型任务和I/O密集型任务。计算密集型任务代表该任务的处理需高性能的计算设备执行大量计算并消耗大量的时间，计算系统的负载和使用率很高，而读写I/O在短时间完成。计算密集型任务目前的使用场景通常有：图像处理应用、大数据应用、人工智能应用等。而涉及到网络、磁盘IO的任务都是IO密集型任务，这类任务的特点是CPU消耗很少(因为IO的速度远远低于CPU和内存的速度)。I/O密集型任务代表该任务的处理期间主要耗时在等待输入/输出设备上，这种情况下由于操作系统的调度，程序会进入休眠等待状态，导致CPU的使用率低。I/O密集型任务目前的使用场景有：web应用、大规模系统监控等。
计算密集型任务相比于I/O密集型任务，更适合计算的卸载，原因如下：
(1)I/O密集型任务的处理时间通常取决于外部系统，没办法准确估计任务完成时间。
(2)计算密集型任务通常消耗CPU资源较高，造成设备能耗较大，因此，对于资源受限或时延敏感的设备而言，具有较高的收益。
例如移动设备需要提高QoS(服务质量)并同时节省能耗，然而这两者存在冲突。为了更好的服务质量，系统资源(如CPU)通常需要更高的性能，但会消耗更多的能量。为了节能，系统资源应消耗低能量，从而产生较低的性能。因此，移动设备的操作系统需要以QoS感知和节能的方式管理资源，并提供权衡QoS和能量的灵活性。由于边缘计算的兴起，移动设备中这种权衡成为可能，应用程序将在最适合的设备中执行，达到最小的系统开销。由于用户设备资源局限性，提高边缘计算资源的使用效率和降低能源消耗变得具有重要意义。
发明内容
为解决现有技术存在的问题，本申发明提出一种计算卸载中估计应用程序执行时延的方法，包括步骤:
将要进行计算卸载决策的应用程序抽象成含有应用程序特征参数的配置文件并建立CPU周期数模型；
估计应用程序任务的需求分布得到累积概率分布函数；
根据所述累积概率分布函数计算得到估计结果；
其中，所述估计应用程序任务的需求分布得到累积概率分布函数包括分析任务的周期和获取累积概率分布函数；所述分析任务的周期采用在线分析法；所述获取累积概率分布函数通过采用直方图技术估计每个子任务使用周期数的概率实现。
进一步地，所述配置文件表示为A(L,W,T)；其中，L为所述应用程序计算卸载下的输入数据量,W为所述应用程序执行所需的CPU周期数，T为完成所述应用程序执行的截止时间。
进一步地，所述CPU周期数模型表示为W＝LX；其中，X为具有经验分布的随机变量。
进一步地，所述分析任务的周期具体包括：
将应用程序任务分割为多个子程序任务；
将循环计数器添加到每个所述子任务的进程控制块中；
所述子任务执行工作过程中，所述循环计数器监视和记录每个所述子任务使用的CPU周期数。
进一步地，所述获取累积概率分布函数具体包括：
使用一个分析窗口跟踪n个所述子任务使用的周期数，n为正整数；
根据所述子任务使用的周期数创建直方图；
将直方图近似处理得到应用程序执行周期的累积概率分布函数。
进一步地，所述根据所述子任务使用的周期数创建直方图包括：
将Cmin和Cmax分别设置为所述n个所述子任务使用的周期数中的最小周期数和最大周期数；
将数值范围在[Cmin，Cmax]中的所述周期数平均划分成相等大小的t个分组，并设定(ai-1,ai)表示第i个分组，其中i为正整数，ai-1为第i个分组中的周期数最小值，ai为第i个分组中的周期数最大值；
根据所述分组计算子任务使用的周期数不超过ai的概率，并根据所述概率和所述n个所述子任务使用的周期数创建直方图。
进一步地，所述根据所述累积概率分布函数计算得到估计结果，具体包括：
获取输入数据量和满足截止时间的统计性能要求参数；
根据所述累积概率分布函数、统计性能要求参数和输入数据量计算得到估计结果；所述估计结果表示满足所述统计性能要求参数的应用程序执行的最小CPU周期数。
进一步地，所述方法通过一种决策程序进行具体实施；所述决策程序的运行步骤包括：
程序分割处理：将需要处理的应用程序进行切割为多个子任务。
添加计数器：将循环计数器添加到每个所述子任务的进程控制块中，所述循环计数器用于监视和记录每个所述子任务的开始、退出和结束时刻。
分析窗口跟踪：使用一个分析窗口跟踪所述每个子任务的开始、退出和结束时刻，并依此计算每个所述子任务消耗的CPU周期数。
概率估计：根据所述子任务消耗的CPU周期数建立直方图和累积概率分布函数，找到满足统计性能要求参数的应用程序执行的最小CPU周期数。
计算卸载决策：根据所述最小CPU周期数进行计算卸载决策。
与现有技术相比，本发明的有益效果在于：
本发明通过描述应用程序的参数来建立执行所需周期数模型，并采用在线分析技术和直方图技术通过概率统计的方法估计应用程序所需CPU周期数，为计算卸载决策提供了有效支撑；
本发明方法采用的在线分析技术和直方图技术在计算时计算复杂度较低，能有效节省资源有限的边缘设备上进行计算卸载决策所需消耗的计算资源和能量，从而提高边缘计算资源的使用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明计算卸载中估计应用程序执行时延的方法的流程框图；
图2为本发明中的循环计数器的部分监视结果示意图；
图3为本发明中的周期数累积分布概率直方图；
图4为本发明中的根据累积概率查找周期数时的周期数累积分布概率直方图；
图5为本发明的决策程序的运行流程框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
资源有限的移动设备或低能耗设备硬件通常被设计为支持多种电源模式，以性能换取能耗；同时还可以通过处理器在运行时改变速度(即频率和相应的电压)和功率。动态电压/频率缩放(DVS)是通过降低CPU速度来节约能源的常见机制，其主要目标是在不降低应用程序性能的情况下尽可能减少能耗。DVS技术的有效性取决于预测应用程序CPU需求的能力，而计算卸载技术也要预测应用程序CPU需求。过高估计会浪费CPU和能量，而过低估计会降低应用程序性能。一般来说，有三种预测应用程序CPU需求能力的方法：(1)监测所有应用程序的CPU利用率等(2)使用单个应用程序的最坏CPU需求(3)监控各个应用程序的运行时CPU使用情况。由于CPU的动态变化，前两种方法不适用于计算密集型任务需求，第一种方法可能违反计算密集型任务的时延约束，而第二种方法过于保守。因此，本方案采用第三种方法并将其集成到计算卸载调度中。
下面结合附图进一步描述本发明，但不以任何方式限制本发明的范围。
请参阅图1，本发明提出了一种计算卸载中估计应用程序执行时延的方法，具体包括如下步骤：
S1、将要进行计算卸载决策的应用程序抽象成含有应用程序特征参数的配置文件并建立CPU周期数模型。
计算卸载任务在进行决策时需要获知计算卸载的应用程序执行时所消耗时间，应用程序执行的时延则与设备的CPU频率和应用程序执行所用的CPU周期数有关。一个完全描述应用程序所有方面的模型很复杂，必须考虑许多细节。但是如此高的细节可能会使问题在数学上变得棘手，而不能为工程实践提供有意义帮助。为了使其在工程使用中变得可能，进行计算卸载决策的应用程序抽象成具有三个参数的配置文件。应用程序配置文件表示为A(L,W,T)，其中包括：输入数据量L(单位为bit),CPU周期数W和截止时间T。具体的，输入数据量L是应用程序计算卸载下的输入数据量，CPU周期数W是应用程序执行所需的CPU周期数，截止时间T是完成应用程序执行的截止时间。当应用程序在设备上执行时，能源消耗由CPU工作负载确定。工作负载是通过应用程序所需的CPU周期数W来衡量的，CPU周期数W取决于应用程序中的输入数据量L和算法的复杂性。在本发明方法中，CPU周期数建模为一个随机变量W＝LX,其中X为具有经验分布的随机变量。
S2、估计应用程序任务的需求分布得到累积概率分布函数。
需要说明的是，本发明方法估计的是应用程序任务的需求分布，而不是应用程序任务的瞬时需求，原因有两个：首先需求分布比瞬时需求更稳定和可预测，其次基于任务的需求分布来估计CPU周期数提供了统计性能保证，这对于计算密集型应用来说是足够的。
估计应用程序任务的需求分布得到累积概率分布函数包括分析任务的周期和获取累积概率分布函数。
具体的，分析任务的周期采用在线分析方法。在线分析方法是一种数据分析技术，主要用于快速查询、分析和汇总大量数据，并以交互式的方式呈现给用户，以帮助用户快速了解数据中的趋势、关联和异常情况，从而支持决策和业务流程。在操作系统中，一个进程就是一个正在执行程序的实例，其静态描述由三部分组成：进程控制块、程序段和数据集。在一实施例中，将应用程序任务分割为多个子程序任务，并将循环计数器添加到每个子任务的进程控制块中。在子任务执行工作期间，循环计数器监视和记录在执行过程的中使用的CPU周期数，这些使用的CPU周期数总和代表着应用程序总的执行CPU周期数。如图2所示，在每一个子任务中，循环计数器监视程序执行过程中的开始、退出和结束时刻。在第i个任务时开始时间为c1，经过c2-c1个周期后退出本次执行，并于c3重新执行，在时刻c4完成本次任务，最后计算出第i个任务完成的周期数。
获取累积概率分布函数通过采用一种直方图技术估计每个子任务使用周期数的概率实现。具体的，使用一个分析窗口跟踪应用程序的n个子任务使用的周期数，参数n通过用户指定或设置为默认值。令Cmin和Cmax分别为窗口中的最小周期数和最大周期数，将[Cmin，Cmax]中的子任务使用的周期数平均划分成相等大小的t个分组
Cmin＝a0＜a1＜a...＜at-1＜at＝Cmax
设定ni为落到第i个分组(ai-1,ai)的次数，其中i为正整数，ai-1为第i个分组中的周期数最小值，ai为第i个分组中的周期数最大值；可以理解，ni/n表示执行中使用周期数在区间(ai-1,ai)的概率，而
Figure BDA0004128667470000051
表示子任务使用的周期数不超过ai的概率，即前i个区间内概率的累积和，这样就构成了如图3所示的直方图。从概率的角度来看，上述直方图近似于应用程序执行周期的累积概率分布函数，即
F(x)＝Pr(X≤x)
其中X为上述具有经验分布的随机变量，Pr(X≤x)表示随机变量X小于等于x的概率。
在估计应用程序任务的需求分布得到累积概率分布函数时，现有技术通常采用伽马分布建模，伽马分布中的PDF概率密度函数由形状参数和比例参数决定。而精确计算形状参数和比例参数的计算复杂度很高，在资源有限的边缘设备上需要消耗大量的计算资源和能量。与伽马分布建模相比，基于直方图技术估计应用程序任务的需求分布得到累积概率分布函数无需配置形状参数和比例参数，当需求分布发生变化时，直方图技术很容易实时反映应用程序的需求变化，而且不需要消耗大量的资源。
S3、根据所述累积概率分布函数计算得到估计结果。
在计算卸载中，截止时间T代表了在卸载后的设备中执行卸载程序的时间要求。我们使用统计性能要求参数ρ来表示满足应用程序执行截止时间T的概率，因为它们必须满足软实时性能要求。通常应用程序开发人员或用户可以根据应用程序特性或用户偏好来指定参数ρ。进一步地，设每个应用程序将分配的CPU周期数为Wρ，它以ρ的概率满足截止时间T，因此参数ρ也称为ACP(应用程序完成概率)。当应用程序运行未达到其截止时间T之前，处理器将以最高性能来执行卸载程序。根据累积概率分布函数得到应用程序任务不超过所分配的Wρ周期的概率至少为ρ表述为：
FW(Wρ)＝Pr(W≤Wρ)≥ρ
利用上式可以得到在给定参数ρ时的程序运行所需CPU周期数为：
Figure BDA0004128667470000061
其中，
Figure BDA0004128667470000062
为FW(Wρ)的反函数，/>
Figure BDA0004128667470000063
为单位比特下给定参数ρ时的运行所需周期。
为了找到输入数据量为L时应用程序执行所需的最小CPU周期数Wρ，我们使用直方图技术来进行估计，从而找到累积概率至少为ρ的最小周期数Wρ。请参阅图4，在累积概率为ρ时，对应的应用程序执行的最小CPU周期数为am，即am满足下式：
FW(am)＝Pr(X≤am)≥ρ。
在一实施例中，本发明提供的方法通过一种决策程序进行具体实施。
请参照图5，该决策程序的运行步骤包括：
程序分割处理：将需要处理的应用程序进行切割为多个子任务，在切割过程中保持各子任务功能的完整性，以便于进行计算卸载。
添加计数器：将一个循环计数器添加到每个子任务的进程控制块中，该计数器将监视和记录每个子任务的开始、退出和结束时刻。
分析窗口跟踪：使用一个分析窗口跟踪所述每个子任务的开始、退出和结束时刻，并依此计算每个所述子任务消耗的CPU周期数。
概率估计：建立每个子任务使用CPU周期数的直方图和应用程序执行的累积概率分布函数，找到满足统计性能要求参数的应用程序执行的最小CPU周期数。
计算卸载决策：根据应用程序执行的最小CPU周期数，进行计算卸载决策。
本发明旨在解决计算卸载决策时难以获取应用程序执行CPU周期数的问题，通过描述应用程序的参数来建立执行所需周期数模型，并采用在线分析技术和直方图技术通过概率统计的方法估计应用程序所需CPU周期数，为计算卸载决策提供了有效支撑。
以上内容仅仅是对本发明结构所做的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种计算卸载中估计应用程序执行时延的方法，其特征在于：包括步骤:
将要进行计算卸载决策的应用程序抽象成含有应用程序特征参数的配置文件并建立CPU周期数模型；
估计应用程序任务的需求分布得到累积概率分布函数；
根据所述累积概率分布函数计算得到估计结果；
其中，所述估计应用程序任务的需求分布得到累积概率分布函数包括分析任务的周期和获取累积概率分布函数；所述分析任务的周期采用在线分析法；所述获取累积概率分布函数通过采用直方图技术估计每个子任务使用周期数的概率实现。
2.根据权利要求1所述的方法，其特征在于：所述配置文件表示为A(L,W,T)；其中，L为所述应用程序计算卸载下的输入数据量,W为所述应用程序执行所需的CPU周期数，T为完成所述应用程序执行的截止时间。
3.根据权利要求2所述的方法，其特征在于：所述CPU周期数模型表示为W＝LX；其中，X为具有经验分布的随机变量。
4.根据权利要求1所述的方法，其特征在于：所述分析任务的周期具体包括：
将应用程序任务分割为多个子程序任务；
将循环计数器添加到每个所述子任务的进程控制块中；
所述子任务执行工作过程中，所述循环计数器监视和记录每个所述子任务使用的CPU周期数。
5.根据权利要求4所述的方法，其特征在于：所述获取累积概率分布函数具体包括：
使用一个分析窗口跟踪n个所述子任务使用的周期数，n为正整数；
根据所述子任务使用的周期数创建直方图；
将直方图近似处理得到应用程序执行周期的累积概率分布函数。
6.根据权利要求5所述的方法，其特征在于：所述根据所述子任务使用的周期数创建直方图包括：
将Cmin和Cmax分别设置为所述n个所述子任务使用的周期数中的最小周期数和最大周期数；
将数值范围在[Cmin，Cmax]中的所述周期数平均划分成相等大小的t个分组，并设定(ai-1,ai)表示第i个分组，其中i为正整数，ai-1为第i个分组中的周期数最小值，ai为第i个分组中的周期数最大值；
根据所述分组计算子任务使用的周期数不超过ai的概率，并根据所述概率和所述n个所述子任务使用的周期数创建直方图。
7.根据权利要求1所述的方法，其特征在于：所述根据所述累积概率分布函数计算得到估计结果，具体包括：
获取输入数据量和满足截止时间的统计性能要求参数；
根据所述累积概率分布函数、统计性能要求参数和输入数据量计算得到估计结果；所述估计结果表示满足所述统计性能要求参数的应用程序执行的最小CPU周期数。
8.根据权利要求1所述的方法，其特征在于：所述方法通过一种决策程序执行；所述决策程序的执行步骤包括：
程序分割处理：将需要处理的应用程序进行切割为多个子任务；
添加计数器：将循环计数器添加到每个所述子任务的进程控制块中，所述循环计数器用于监视和记录每个所述子任务的开始、退出和结束时刻；
分析窗口跟踪：使用一个分析窗口跟踪所述每个子任务的开始、退出和结束时刻，并依此计算每个所述子任务消耗的CPU周期数；
概率估计：根据所述子任务消耗的CPU周期数建立直方图和累积概率分布函数，找到满足统计性能要求参数的应用程序执行的最小CPU周期数；
计算卸载决策：根据所述最小CPU周期数进行计算卸载决策。
CN202310253388.5A 2023-03-15 2023-03-15 一种计算卸载中估计应用程序执行时延的方法 Pending CN116414667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310253388.5A CN116414667A (zh) 2023-03-15 2023-03-15 一种计算卸载中估计应用程序执行时延的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310253388.5A CN116414667A (zh) 2023-03-15 2023-03-15 一种计算卸载中估计应用程序执行时延的方法

Publications (1)

Publication Number Publication Date
CN116414667A true CN116414667A (zh) 2023-07-11

Family

ID=87054138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310253388.5A Pending CN116414667A (zh) 2023-03-15 2023-03-15 一种计算卸载中估计应用程序执行时延的方法

Country Status (1)

Country Link
CN (1) CN116414667A (zh)

Similar Documents

Publication Publication Date Title
US11231966B2 (en) Closed loop performance controller work interval instance propagation
US7574613B2 (en) Scaling idle detection metric for power management on computing device
Mejia-Alvarez et al. Adaptive scheduling server for power-aware real-time tasks
KR101624765B1 (ko) 에너지-인식 서버 관리
US8104041B2 (en) Computer workload redistribution based on prediction from analysis of local resource utilization chronology data
US8689220B2 (en) Job scheduling to balance energy consumption and schedule performance
EP2227727B1 (en) Data processor performance prediction
Do et al. ptop: A process-level power profiling tool
CN107515663B (zh) 调整中央处理器内核运行频率的方法和装置
EP2073097B1 (en) Transitioning a processor package to a low power state
US20110106935A1 (en) Power management for idle system in clusters
US20090210740A1 (en) Off-chip access workload characterization methodology for optimizing computing efficiency
US11494193B2 (en) Serialization floors and deadline driven control for performance optimization of asymmetric multiprocessor systems
CN110941325B (zh) 处理器的调频方法及装置、计算设备
US9652027B2 (en) Thread scheduling based on performance state and idle state of processing units
Reghenzani et al. A multi-level dpm approach for real-time dag tasks in heterogeneous processors
Albers Algorithms for energy saving
Postema et al. Evaluation of advanced data centre power management strategies
CN109582119B (zh) 基于动态电压频率调整的双层Spark节能调度方法
CN117251044A (zh) 一种基于arima技术的云服务器动态能耗管理方法和系统
CN115145709B (zh) 低碳大数据人工智能方法和医康养生态系统
CN116414667A (zh) 一种计算卸载中估计应用程序执行时延的方法
Niu et al. Improving schedulability and energy efficiency for window-constrained real-time systems with reliability requirement
Evans On performance and energy management in high performance computing systems
Kumakura et al. CPU Clock Rate Control Based on Method Invocation in Foreground Application in Android Smartphone

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination