一、并行处理系统中的一种新的任务调度算法模型（论文文献综述）
郑欣[1]（2021）在《基于图卷积网络的片上系统软硬件协同设计研究》文中研究指明随着嵌入式系统的规模越来越大,片上系统（SoC）的设计复杂度也越来越高。自20世纪80年代以来,软硬件协同设计已经发展成为一种新的SoC设计方法学,经过几代的发展,SoC设计逐步向全自动化流程方向发展。软硬件划分是软硬件协同设计中的关键步骤,它可以显着缩短SoC设计的时间,提高嵌入式系统的性能。但对于大规模系统来说,大多数相关研究提出的软硬件划分方案具有搜索时间长、划分结果质量不高等问题。在信息安全领域,数字签名SoC系统在保障用户数据安全方面起着重要的作用,数字签名系统软硬件划分的实现仍依赖于工程师的经验,且硬件设计完成后才开始软件设计,这将使得系统开发周期变长,设计效率低。现有的SoC软硬件协同设计没有形成完备统一的验证流程,使得验证过程繁琐,验证效率低。针对以上问题,本文首先研究了基于迁移学习和字典学习的任务分类问题,从图分类的角度作为切入点,再扩展到结点分类,最后到软硬件划分问题的研究,设计了两种不同的分类模型。其次,根据设计需求搭建SoC系统架构,并提出了一种基于图卷积网络的高效软硬件划分和调度方法—GCPS,在满足系统硬件约束的前提下,最大化资源利用率,寻找最优的软硬件划分方案,并进行系统的快速软硬件划分。在此基础上,基于任务静态优先级设计任务调度算法完成系统的调度并回馈给划分模型,进一步提高系统的效率和并行性。最终将GCPS模型应用于数字签名系统中,实现数字签名系统的SoC软硬件协同设计和验证。本文的创新点和主要研究工作包括以下几个方面:（1）针对传统机器学习方法在大规模系统中分类效率低的问题,本文首先研究了基于迁移学习的任务分类问题,并设计基于迁移学习和字典学习的DMTTL模型,通过迁移学习和并行执行的特性,提升了系统的分类性能和运行效率。另一方面,进一步对具有图结构数据的任务进行分类,设计了一种基于多视角字典学习的图模型,其分类效果优于大部分最新的图分类模型。通过引入多视角,GMADL模型扩展性强,可以将GMADL模型应用于结点分类问题,故本文对GMADL模型进行了改进,提出了 NMADL结点分类模型,并进行了验证与分析,研究该模型在软硬件划分问题上的可行性,同时为后续工作提供了必要的理论和实验支撑。（2）针对大规模系统设计复杂度高,软硬件划分速度慢等问题,本文基于图卷积网络（GCN）,设计了一种适用于大规模系统的快速软硬件划分方法——GCPS。GCN可以有效地处理图结构数据,并聚合邻居结点的特征来生成新的结点表示。该算法能够快速收敛,有效地实现结点分类。本文研究的划分问题可以描述为在硬件面积约束下最小化所有任务的执行时间的优化问题。可以利用GCN和梯度下降的方法来求解该优化问题,实现高效的系统软硬件划分,尤其针对于大规模系统而言,该方法与传统启发式算法相比效率更高。（3）为了进一步提高软硬件划分的性能和通过并行化减少系统的执行时间,在实现软硬件划分后对系统进行任务调度,设计任务调度算法。通过计算每个结点的静态优先级,设计基于静态优先级的表调度算法实现任务调度和量化软硬件划分的质量,进一步缩短执行时间。从而在满足系统约束条件下最小化任务调度时间和最大化硬件资源利用率,对系统任务图实现最优的调度。（4）为了进一步增强数字签名系统的安全性,本文针对ECDSA算法进行改进,在明文的预处理阶段设计防护手段,实现了高安全的数字签名片上系统的软硬件协同设计。在完成系统任务图的构建、系统软硬件划分和调度后,针对数字签名系统应用,本文采用了 SoC软硬件协同设计技术。首先,将GCPS模型应用于数字签名系统的软硬件划分过程。其次,实现系统的软件设计、硬件设计和接口设计,并通过软硬件协同设计方法进行软硬件综合,采用C/C++和Verilog编程语言实现ECDSA数字签名验签。（5）针对SoC软硬件协同验证效率低、流程不统一等问题,构建协同仿真验证平台,通过设计PLI/VPI共享接口实现测试向量和输入数据的共享,并且由高级语言模型随机产生测试向量,提高系统验证效率。研究完备统一的SoC软硬件协同验证流程,对系统设计的验证可以达到实时比特级验证,并实时反馈软硬件协同设计过程中存在的问题,一体化的验证平台提高了系统的验证效率。
郭雯霞[2]（2021）在《云数据中心任务完成时间相关的节能与均衡优化调度算法》文中研究表明云计算是一种新的网络技术。从广义上说,云计算是与信息技术、软件和互联网相关的一种服务。得益于虚拟化功能,云数据中心正加速成为一种新的IT资源供应方式。云环境的动态性与复杂性对任务调度策略提出了要求,既要保证服务质量,也要实现云数据中心的低能耗。关于节能与负载均衡的任务调度问题在一般情况下是NP完全问题,鉴于其NP复杂性,仍然需要进一步深入探索。本文重点关注并研究了云数据中心的任务完成时间调度问题,针对总能耗优化和特定场景Spark中的负载均衡进行了深入研究,论文的主要研究工作及成果如下:（1）研究了云数据中心的资源节能调度问题。合理地调度虚拟机任务可以提高任务的执行效率,缩短任务的执行时间,从而减小运行服务器的数量以降低系统总能耗。本文将任务调度问题抽象为虚拟机部署问题,主要关注CPU密集型任务,目的是在满足物理机总容量及运行时间限制的情况下对虚拟机请求进行非抢占式调度以便最小化所有物理机的总能耗（Minimize total energy,Min TE）。针对此问题,论文首先研究了云数据中心的能耗模型,针对任务容量配置可划分（SDC）的特殊情形,从理论上分析了在该条件下物理机总能耗的最优解（下限）。然后针对任务容量配置不可分割的一般情形,提出了一种自适应的节能调度算法SAVE,该方法基于本地信息,利用概率函数对虚拟机的分配和迁移进行决策并能保证充分使用服务器上的可用资源。最后,将SAVE算法应用于仿真和真实环境并将其与DRS和eco Cloud两个调度算法相比,测试结果表明,SAVE算法实现了显着的节能,在仿真环境中相对于两个业界较优算法而言SAVE算法平均节能29.32%,17.76%,并且在真实场景中,SAVE算法比DRS算法节能1.53%。（2）研究了云数据中心的任务完成时间优化调度问题。本文提出了一种基于深度强化学习的解决方案称为Deep RM＿Online,通过设置不同的奖励函数以有效地解决调度目标不同的云资源管理问题。该方法首先可视化数据中心的资源使用状态,利用卷积神经网络（Convolutional Neural Networks,CNN）来获取资源管理模型。随后根据事先设定好的专家策略利用模仿学习来减小强化学习的探索步数以缩短最优策略的训练时间。最后进行深度强化学习过程,根据不同的调度目标设定不同的奖励函数,利用强化学习的策略梯度算法（Policy Gradient,PG）求解优化策略。本文设置了两个调度目标并将Deep RM＿Online与启发式算法和深度强化学习算法Deep RM进行对比测试,实验结果说明Deep RM＿Online和Deep RM在两个调度目标上均优于启发式算法,并且Deep RM＿Online与Deep RM相比,在收敛速度方面提升了37.5%,并将任务的延时参数和平均周转时间分别减少了51.85%和11.51%。（3）研究了Spark平台的任务总完工时间优化问题。Spark计算引擎解决了传统Map Reduce编程框架在迭代计算中由于频繁读写驻留磁盘的Map任务输出所引入的性能损耗,但由于源数据的不均匀分布和自带分区算法的不均衡划分方式,数据倾斜现象在Spark中依旧非常突出,导致应用程序总完工时间较大。为此,针对Spark平台在Reduce过程出现的数据倾斜现象,本文提出了一种名为Resplit Reduce的算法对数据进行均匀划分并分配。该算法首先将整群抽样算法应用在Map任务输出的中间数据进行其键值分布情况的预估。其次,改进Spark默认分区函数,使得数据能被均匀地划分为多个分区,促使Reduce阶段的负载均衡,从而更加充分地利用集群资源。同时算法还考虑了集群的异构情况,根据各Executor之间计算能力的不同,Resplit Reduce采用贪心策略将每个任务分配给拥有最高性能因子的Executor。最后,在Spark独立异构集群上,通过Word Count、Sort以及Pagerank基准测试将Resplit Reduce与基准算法进行了比较分析。实验结果表明,本论文所提出的算法在三种基准测试集上平均减少总完工时间47.76%、32.13%、14.47%,在集群的平均资源利用率指标上平均提高了19.67%、30.5%、37.03%。
王珊珊[3]（2020）在《基于Hadoop集群作业调度性能优化技术的研究与实现》文中进行了进一步梳理Hadoop通过MapReduce实现了一种分布式处理机制,成为处理大数据问题的首选工具。Hadoop平台通过简单的编程接口实现合理的作业调度。作业调度负责集群内的计算资源以及作业的调度执行。作业调度技术影响Hadoop平台的性能以及系统中资源利用率。合理的调度算法能有效提高系统处理作业的效率。因此,本文重点研究作业调度算法,首先进行作业优先级的优化,并在此基础上根据任务的负载情况进行合适的任务调度。为了满足不同用户的需求,搭建Hadoop集群对动态优先级的混合任务调度策略进行改进,改进后的方法通过作业静态优先级,作业的任务价值以及作业的预计完成时间三个参数,从多维度计算出作业的新的优先级,按优先级的高低进行资源分配,解决了资源分配不均导致紧急任务得不到处理的问题,提高系统性能。随着时间的改变作业的优先级会发生动态变化,一个作业运行完成后重新遍历作业队列选择新的作业。针对Hadoop集群在默认的任务调度策略下,产生大量的非本地任务,增加网络传输时间,影响作业的平均运行时间,降低Hadoop系统资源利用率的问题,提出一种负载均衡的任务调度策略。在该方法中,如若节点的本地任务预计完成时间小于全部节点执行本地任务的预计完成时间的平均值,及为负载较轻的节点,反之较重。执行任务的过程中,先对节点的负载情况进行判断,根据节点的负载情况合理分配任务,该策略可以防止某些节点空闲而其他节点任务繁重的情况的发生,以此提高集群处理数据的能力。本文采用了可行性对比实验进行测试分析,在同等实验环境下,对改进后的调度算法以及原有调度算法在数据本地性,作业完成时间两个指标上进行了算法的性能对比,实验结果表明,改进后的调度算法在提高数据本地性和减少作业平均完成时间方面有一定成效,在数据本地性上提高了 20.8%,作业的平均完成时间降低了 27.04%,使得作业队列合理有序的运行,作业调度长度更短,系统实时性能得以提高。
陈黄科[4]（2019）在《面向对地观测大数据云服务的天地一体优化方法》文中指出面对不断提高的卫星成像分辨率以及快速增加的在轨卫星,天基对地观测卫星系统获取数据的速度和总量都呈爆炸式增长。据报道,我国在轨卫星每天获取的对地观测数据高达数百个TB,而且增长势头强劲,这意味着对地观测大数据时代已经来临。当前,用户对卫星对地观测数据服务提出新要求。在时间分辨率上,用户急需卫星对地观测数据在获取、传输、处理和分发整个流程中的响应趋向近实时化;在空间分辨率上,用户需要卫星图像的分辨率高达亚米级、甚至厘米级;且观测范围覆盖全球。特别是面向包括时敏目标、海上移动目标、抗震救灾等应用场景时,用户对卫星对地观测数据服务的时空分辨率提出更高要求。我国当前的对地观测卫星和通信卫星各成体系,管理隔离,对地观测数据服务的响应速度慢,资源利用率低,已难以满足动态高并发全球范围内高时空分辨率服务需求。为了提高卫星覆盖能力、缩短响应时间、提高体系协同能力,一种有效的途径是实现多星组网,并耦合卫星网络和地面云计算形成天地一体化平台。以对地观测数据直接服务用户为核心,打通由用户请求发起、卫星数据获取、传输、处理、情报提取与分发共享、直至用户应用的快速服务通道。在任务驱动下,协同组织和优化星地数据获取、传输、计算、存储、数据处理等资源,从而支撑近实时甚至实时的卫星对地观测数据服务。本文重点研究以下五个关键问题:对地观测数据获取环节的任务调度、数据传输环节的星间数据卸载优化、数据处理环节的实时调度、安全管理和不确定优化。通过解决以上关键问题,本文主要做了以下五点贡献:（1）提出面向卫星多目标调度的自适应演化方法针对卫星对地观测任务多目标调度问题,本文设计一个基于目标空间划分的自适应多目标演化算法,在保持种群多样性的同时加速种群的收敛速度,从而快速搜索一组高效解来平衡卫星对地观测任务调度中多个相互冲突目标。在其中,本文定义一个新的指标来度量多目标演化算法中每个子空间对种群收敛的贡献,并提出一个自适应策略,根据子空间对种群收敛的贡献,自适应地将计算资源分配给不同子空间。（2）提出面向卫星大数据卸载的自组织优化方法针对卫星网络资源受限、高动态星间拓扑以及对地观测数据产生的随机性和突发性,本文提出了一种自组织优化方法,用于卸载卫星网络中对地观测大数据,从而近实时地下传到地面站。具体而言,该方法中定义了卫星梯度来充分反映其可用资源与约束之间的关系,并设计一种新的策略来更新每颗卫星的邻域,以处理卫星拓扑的高动态性。在卫星梯度和邻域的基础上,本文提出一种基于双向选择的优化策略,该策略支持每颗卫星通过与相邻卫星交互来进行数据卸载决策。（3）提出云计算中面向对地观测大数据处理的实时调度方法对地观测大数据流不断到达地面站,并动态地提交到云计算进行实时或近实时处理。对地观测数据流的随机性与突发性严重挑战云计算资源的快速响应能力。为了解决以上问题,本文将对地观测大数据的处理过程建模为实时工作流,每个工作流对应一份数据的处理流程,并推导出两个推论来最小化一组工作流任务的完成时间和每个工作流任务的开始时间。然后,本文定义了工作流任务的最晚完成时间,并证明最晚完成时间有助于减少对地观测大数据处理成本而不延误其完成时间。在此基础上,本文提出一个基于任务复制的调度算法,以实时调度大数据流到云计算平台进行处理,最大限度地缩短云计算的响应时间和降低处理大数据流的成本。（4）提出云计算中面向对地观测大数据处理的安全感知调度方法数据加密是保障安全性敏感对地观测大数据的重要手段,但是,数据加密的时间开销将延迟大数据处理的完成时间和增加成本。为了解决以上问题,本文首先从理论上分析如何复制任务来缓解数据传输和加密开销对任务开始时间的延迟,并提出一种面向安全敏感工作流的调度方法,其中包含两个重要阶段:1)任务调度,利用资源的空闲时隙,有选择地复制部分前驱任务来改善任务的开始时间和资源利用;2)挖掘任务的松弛时间对中间数据进行加密,以缓解数据加密开销冲击任务开始时间和工作流完成时间。（5）提出云计算中面向对地观测大数据处理的不确定感知调度方法针对不确定因素严重冲击云计算平台处理对地观测大数据的性能,本文设计一个新颖的调度框架来控制每个服务实例上等待任务的数量,以阻止不确定性传播。基于这个框架,本文提出一个不确定感知的在线算法来调度带截止期的大数据处理工作流。该算法巧妙地整合了一个前摄性和一个反应式策略,在运行基准调度方案期间,动态调用算法中的反应式策略来生成能够处理不确定因素的前摄性调度方案。
李思照[5]（2018）在《片上多核系统软件特性及系统可靠性分析研究》文中研究指明随着片上多核系统在移动终端上的广泛应用及其系统任务不断增加,可重构片上网络及其多核系统的性能效率与可靠性已成为制约其在移动计算和相关应用推广的重要因素。为了确保整个系统安全稳定地运行,就需要在软件运行效率、系统可靠性及任务调度管理等方面进行相关理论分析与技术实践研究。本文首先针对指令集的特点,描述了片上多核系统软件运行的行为特性,并建立了不同类型的软件执行模型,以优化系统对指令的预取效率,从而提高Cache命中率。然后,为了保证Cache命中率,建立Cache一致性协议的故障模型,分析协议中所存在的可靠性问题,并以此故障模型作为基础来描述HCS片上网络结构的整体稳定性,为片上多核系统的设计提供了可靠性分析方法。最后,为了保证整体系统的稳定及有效的运行,以竞态条件作为分析手段来描述系统任务运行时所存在的不确定性,并利用最大熵方法提出一种新的任务调度优化算法。本论文的主要工作内容和创新点如下:（1）针对现有的软件程序在片上多核系统中运行效率较低的问题,首先以精简指令集为基础引入马尔科夫状态机模型来描述指令的执行过程,然后结合进程代数及符号逻辑方法对软件行为进行分析,建立软件行为特性模型,同时利用随机抽样优化算法对该模型进行特征提取,从而降低计算量并以此来提高Cache命中率。（2）针对Cache 一致性协议在片上网络系统中由于其协议中状态转换而引发的可靠性问题,以故障树模型作为基础对一致性协议进行故障分析,同时利用基于OBDD的k-端模型建立HCS片上网络结构的系统可靠性模型,从而分析了现有协议存在的可靠性问题并验证了 HCS片上网络结构的优势所在。（3）针对多核系统中任务调度存在竞争关系从而导致系统运行结果不正确的问题,以竞态条件作为基础研究任务并行运行时的不确定性,同时利用最大熵理论对任务进行优化来消除此种具有不确定性的竞态关系,最后通过实验验证此任务调度算法在系统执行时间、CPU利用率、吞吐量等方面具有较大优势。最后,基于本文所提出的技术与方法,开发一套片上多核系统如硬件协同设计验证平台,通过此平台可以为今后片上多核系统的整体系统设计提供解决方案。
朱晓敏[6]（2009）在《异构集群系统中实时任务若干调度问题研究》文中研究表明异构集群系统由于其卓越的性能价格比、良好的可扩展性和高可用性,逐渐成为当今计算机体系结构和并行处理研究的热点和主题。与此同时,实时应用范围在不断扩大,系统复杂性不断提高,集群计算技术已经成为解决计算密集型和数据密集型实时应用的有效手段。在集群系统的设计中,性能是一个关键问题,而调度又是性能之根本所在。本文致力于研究异构集群系统中实时任务的若干调度问题以满足某些重要实时应用的需求,提高系统的性能。具体地讲,本文在如下3个方面进行了深入的研究:1.研究了异构集群系统中安全关键实时任务的调度问题。在集群系统中,为具有安全需求的实时应用提供安全服务得到了广泛的关注,但将实用应用的安全需求与调度算法相结合的研究并不多。本文提出一种2阶段的调度策略TPSS。该策略在任务的调度过程中综合考虑了任务的安全需求与时间限制。在TPSS的第1阶段,提出了一种自适应调度算法DSRF,当系统负载较重时,DSRF算法能在保证系统具有基本安全保证的基础上,通过降低新到任务和等待队列中任务的安全级别来提高任务的调度成功率。相反,当系统负载较轻时,DSRF算法能在保证系统具有较高调度成功率的基础上充分利用任务在截止期前的空闲时间提高新任务的安全级别。在TPSS的第2阶段,提出一种新的算法FMSL用来为所接收任务提供公平的安全服务,同时进一步提高任务的整体安全级别。文中通过大量的模拟实验对TPSS策略与DSRF算法、SAEDF算法和RF算法进行了比较。实验结果表明,TPSS策略优于其它方法,具有很强的灵活性和可靠性。2.研究了异构集群系统中实时任务的多目标调度问题。目前,很多实时系统如多媒体数据处理系统、信号处理系统等除了需要满足时间限制外,还需要有多种性能得到保证。但是,大多数传统的调度算法通常只考虑实时任务的调度成功率,而忽略了许多其它方面的需求,本文提出了一种异构集群系统中为软实时任务提供多个性能保证的动态调度策略MDSS。该策略综合考虑了任务的实时性、服务质量、系统吞吐率、负载均衡和服务的公平性。通过将实时控制器、QoS控制器和均衡控制器整合在调度器模型中,实现了多个性能的保证。MDSS包括3个步骤。第1步可以采用任何已有或新提出调度算法以满足任务的时间要求,这极大的提高了系统的灵活性和可扩展性。本文在MDSS的第1步采用了Qin等人提出的DASAP算法。另外,本文提出了2种启发式算法MQFQ和ITLB,分别用在MDSS策略的第2步和第3步中。MQFQ是一种采用公平策略的算法,使得所有分配在同一个节点上的任务具有较高的QoS级别,同时QoS级别的差异较小。此外,本文提出了QoS收益的概念,所采用的QoS级别提升方法有效地避免了局部极值问题。ITLB算法通过最小化节点完成时间的标准差来达到系统的负载均衡,提高系统的吞吐率。文中通过大量的模拟实验对MDSS、MDSR、DASAP和DALAP算法进行了比较,实验结果表明MDSS的性能优于其它方法,具有很强的适应性。3.研究了异构集群系统中具有QoS需求的实时任务容错调度问题。容错调度是调度问题中一个重要的研究内容,是提高系统可靠性的有效手段。目前已有很多集群系统中实时任务的容错调度算法,但是这些算法都没有考虑到任务的QoS需求问题。本文提出了一种异构集群系统中具有QoS需求的实时任务容错调度算法FTQ。该算法采用主版本/副版本（Primary/Backup,PB）模型,综合考虑了任务的时间限制、任务的QoS需求、系统的可靠性和系统资源的利用率,能够自适应地根据系统负载情况动态地调整任务的QoS级别和副版本的执行模式,从而提高了系统的灵活性、可靠性、可调度性和资源的利用率。本文对系统的可靠性进行了定量的分析并将其引入到容错调度算法中,提高了系统的可靠性。同时在调度过程中,尽量提前主版本的开始时间,推迟副版本的开始时间,以使任务的副版本采用被动执行模式或者任务的主版本和副版本的重叠部分尽量少,以提高了资源的利用率。此外,本文采用了副版本重叠技术,并分析了副版本的最晚开始时间和其约束条件,提高了任务的调度成功率。文中通过大量的模拟实验对FTQ、NOFTQ和DYFARS算法进行了比较。实验结果表明FTQ算法的性能优于其它方法,具有更好的调度质量。
二、并行处理系统中的一种新的任务调度算法模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、并行处理系统中的一种新的任务调度算法模型（论文提纲范文）
（1）基于图卷积网络的片上系统软硬件协同设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 SoC软硬件协同设计 |
| 1.2.2 图卷积网络 |
| 1.2.3 数字签名密码算法 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 章节安排 |
| 1.5 研究创新点 |
| 第二章 SoC软硬件协同设计和图神经网络 |
| 2.1 片上系统的组成与设计方法学 |
| 2.1.1 SoC集成模型 |
| 2.1.2 SoC设计方法学 |
| 2.2 软硬件协同设计流程 |
| 2.3 软硬件划分技术研究 |
| 2.3.1 问题描述及优化目标 |
| 2.3.2 基于精确算法的软硬件划分技术 |
| 2.3.3 基于启发式算法的软硬件划分技术 |
| 2.4 图神经网络架构研究 |
| 2.4.1 图卷积网络模型 |
| 2.4.2 GraphSage网络模型 |
| 2.4.3 图注意力网络模型 |
| 2.4.4 图神经网络模型对比及分析 |
| 2.5 本章小结 |
| 第三章 基于迁移学习和字典学习的任务分类研究 |
| 3.1 迁移学习与字典学习 |
| 3.1.1 迁移学习 |
| 3.1.2 字典学习 |
| 3.2 基于多任务迁移学习的字典学习模型 |
| 3.2.1 DMTTL模型描述与设计 |
| 3.2.2 DMTTL模型优化 |
| 3.2.3 多线程并行优化学习低维表示 |
| 3.3 实验结果及分析 |
| 3.3.1 数据集与对比方法 |
| 3.3.2 评估指标与参数设定 |
| 3.3.3 实验结果分析 |
| 3.4 特征提取与分析字典 |
| 3.4.1 子图特征提取 |
| 3.4.2 多视角分析字典 |
| 3.5 多视角字典学习的分类模型 |
| 3.5.1 基于PCA和LDA的图数据预处理 |
| 3.5.2 基于分析字典的特征提取 |
| 3.5.3 多视角SVM图分类模型构建与优化 |
| 3.5.4 软硬件划分结点分类模型构建 |
| 3.6 实验结果及分析 |
| 3.6.1 数据集与对比方法 |
| 3.6.2 评估指标与参数设定 |
| 3.6.3 实验结果与分析 |
| 3.7 本章小结 |
| 第四章 基于图卷积网络的软硬件划分模型研究 |
| 4.1 基于TGFF构建系统任务图 |
| 4.1.1 系统任务图的存储与表示 |
| 4.1.2 具有物理意义的任务图属性设定 |
| 4.1.3 基于TGFF的系统任务图生成 |
| 4.2 GCN软硬件划分模型设计 |
| 4.2.1 数据预处理与输入层设计 |
| 4.2.2 图卷积层设计 |
| 4.2.3 输出层设计 |
| 4.3 LSSP任务调度算法设计 |
| 4.3.1 静态优先级计算 |
| 4.3.2 任务分配规则设计 |
| 4.4 GCPS软硬件划分、调度模型设计与优化 |
| 4.4.1 GCPS模型优化与改进策略 |
| 4.4.2 预训练及GCPS算法实现 |
| 4.4.3 GCPS算法应用 |
| 4.5 实验结果及分析 |
| 4.5.1 实验平台及设定 |
| 4.5.2 实验评估指标 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 数字签名系统的软硬件协同设计研究 |
| 5.1 基于椭圆曲线的数字签名算法 |
| 5.1.1 ECC密码算法 |
| 5.1.2 ECDSA数字签名算法 |
| 5.2 ECDSA任务模型与系统框架构建分析 |
| 5.2.1 软硬件划分粒度选择 |
| 5.2.2 目标体系架构与任务模型设定 |
| 5.2.3 确定SoC系统架构 |
| 5.3 数字签名系统的软硬件划分 |
| 5.3.1 数字签名系统的任务图构建 |
| 5.3.2 ECDSA软硬件划分与调度 |
| 5.4 ECDSA SoC软硬件协同设计 |
| 5.4.1 ECDSA软件设计与优化 |
| 5.4.2 ECDSA核心硬件设计与优化 |
| 5.4.3 AHB-Lite总线接口设计 |
| 5.5 数字签名系统的软硬件协同验证 |
| 5.5.1 协同仿真验证流程设计 |
| 5.5.2 仿真工具与数字签名系统协同验证 |
| 5.6 实验结果及分析 |
| 5.6.1 实验平台及设定 |
| 5.6.2 实验评估指标 |
| 5.6.3 实验结果与分析 |
| 5.7 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
（2）云数据中心任务完成时间相关的节能与均衡优化调度算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 研究动机和研究思路 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要贡献与创新 |
| 1.5 论文的结构安排 |
| 第二章 相关理论基础 |
| 2.1 虚拟化技术 |
| 2.2 深度强化学习 |
| 2.3 Spark大数据处理引擎 |
| 2.4 本章小结 |
| 第三章 云数据中心基于能耗感知的自适应节能调度 |
| 3.1 虚拟机整合技术 |
| 3.2 相关研究工作 |
| 3.3 问题定义 |
| 3.4 数据中心能耗模型 |
| 3.5 SAVE算法描述 |
| 3.5.1 概述 |
| 3.5.2 分配算法 |
| 3.5.3 迁移算法 |
| 3.6 实验验证与分析 |
| 3.6.1 实验准备 |
| 3.6.2 数据准备 |
| 3.6.3 基线方法 |
| 3.6.4 结果分析 |
| 3.7 本章小结 |
| 第四章 云数据中心基于深度强化学习的任务完成时间优化调度 |
| 4.1 任务调度 |
| 4.2 相关研究 |
| 4.3 云资源调度问题定义 |
| 4.4 调度方案 |
| 4.4.1 DeepRM_Online介绍 |
| 4.4.2 强化学习模型 |
| 4.4.3 深度强化学习训练算法 |
| 4.5 算法分析 |
| 4.5.1 DeepRM_Online复杂度分析 |
| 4.5.2 DeepRM_Online收敛性分析 |
| 4.6 实验分析与验证 |
| 4.6.1 实验准备 |
| 4.6.2 数据准备 |
| 4.6.3 基线算法 |
| 4.6.4 结果分析 |
| 4.7 本章小结 |
| 第五章 最小化任务完成时间的Spark平台数据均衡优化调度 |
| 5.1 数据倾斜问题描述 |
| 5.2 相关研究 |
| 5.3 问题描述 |
| 5.4 Resplit Reduce方案描述 |
| 5.4.1 Resplit Reduce概述 |
| 5.4.2 数据采样算法 |
| 5.4.3 数据分区算法 |
| 5.4.4 权重调节算法 |
| 5.4.5 任务分配算法 |
| 5.5 实验验证与分析 |
| 5.5.1 数据准备 |
| 5.5.2 实验准备 |
| 5.5.3 基线算法 |
| 5.5.4 结果分析 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 未来研究工作及展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于Hadoop集群作业调度性能优化技术的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文选题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 优先级调度算法国内外发展现状 |
| 1.2.2 数据本地性国内外发展现状 |
| 1.3 研究目的及意义 |
| 1.4 研究内容 |
| 1.5 章节安排 |
| 1.6 本章小结 |
| 第2章 云计算技术和Hadoop平台 |
| 2.1 云计算技术 |
| 2.1.1 云计算演变过程 |
| 2.1.2 云计算体系架构 |
| 2.2 大数据 |
| 2.3 Hadoop体系结构及相关概述 |
| 2.3.1 HDFS分布式文件系统 |
| 2.3.2 MapReduce计算框架 |
| 2.4 本章小结 |
| 第3章 Hadoop平台作业调度算法研究 |
| 3.1 Hadoop平台下作业调度流程 |
| 3.1.1 作业的提交和初始化过程 |
| 3.1.2 作业的执行过程 |
| 3.2 MapReduce作业调度算法 |
| 3.2.1 先进先出调度算法 |
| 3.2.2 计算能力调度算法 |
| 3.2.3 公平份额调度算法 |
| 3.3 作业实时性能评价准则 |
| 3.4 本章小结 |
| 第4章 基于动态优先级的作业调度算法 |
| 4.1 算法产生的背景 |
| 4.2 基于动态优先级的作业调度算法设计 |
| 4.2.1 作业的静态优先级 |
| 4.2.2 作业的等待时间 |
| 4.2.3 作业的预计完成时间 |
| 4.2.4 作业的任务价值 |
| 4.3 基于动态优先级的调度算法实现 |
| 4.3.1 作业调度算法的概述 |
| 4.3.2 作业调度算法实现 |
| 4.3.3 改进后的调度算法与现有调度算法的比较 |
| 4.4 本章小结 |
| 第5章 基于本地性调度策略的实现 |
| 5.1 算法产生背景 |
| 5.2 计算节点负载情况调度算法设计 |
| 5.3 算法实现过程 |
| 5.4 本章小结 |
| 第6章 实验环境搭建与结果分析 |
| 6.1 实验环境搭建 |
| 6.2 基于动态优先级调度算法的实验结果与分析 |
| 6.3 本地性调度算法的性能分析 |
| 6.4 算法分析 |
| 6.5 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）面向对地观测大数据云服务的天地一体优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题及意义 |
| 1.2.1 解决的关键问题 |
| 1.2.2 军事应用 |
| 1.2.3 理论意义 |
| 1.3 相关研究 |
| 1.3.1 卫星对地观测任务调度与多目标演化优化 |
| 1.3.2 卫星对地观测数据传输优化方法 |
| 1.3.3 面向大数据云处理的优化方法 |
| 1.4 论文主要内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 主要创新点 |
| 1.4.3 论文结构 |
| 第二章 对地观测大数据云服务架构与关键问题 |
| 2.1 相关概念 |
| 2.1.1 多星组网 |
| 2.1.2 云计算设施 |
| 2.1.3 天地一体化架构与数据服务 |
| 2.2 典型应用场景 |
| 2.2.1 空军超视距作战应用 |
| 2.2.2 海上移动目标跟踪 |
| 2.3 关键技术分析 |
| 2.4 本章小结 |
| 第三章 自适应多目标演化优化及卫星调度应用 |
| 3.1 引言 |
| 3.2 面向卫星对地观测任务的多目标优化模型 |
| 3.2.1 卫星及对地观测任务模型 |
| 3.2.2 多目标优化模型 |
| 3.3 基于目标空间划分的自适应多目标演化算法 |
| 3.3.1 目标空间划分策略 |
| 3.3.2 计算资源自适应分配策略 |
| 3.3.3 算法描述 |
| 3.3.4 时间复杂度分析 |
| 3.4 实验验证 |
| 3.4.1 基于测试函数的性能测试 |
| 3.4.2 基于卫星对地观测任务调度的性能测试 |
| 3.5 本章小结 |
| 第四章 面向卫星大数据卸载的自组织优化方法 |
| 4.1 引言 |
| 4.2 模型与问题描述 |
| 4.2.1 模型 |
| 4.2.2 数据卸载优化模型 |
| 4.3 自组织优化方法 |
| 4.3.1 资源受限卫星的梯度 |
| 4.3.2 邻域更新策略 |
| 4.3.3 基于双向选择的优化策略 |
| 4.3.4 时间复杂度分析 |
| 4.4 实验验证 |
| 4.4.1 实验参数设置 |
| 4.4.2 卫星网络负载对算法性能的影响 |
| 4.4.3 偏移负载对算法性能的影响 |
| 4.5 本章小结 |
| 第五章 面向大数据流云处理的实时调度方法 |
| 5.1 引言 |
| 5.2 模型与问题描述 |
| 5.2.1 云计算平台调度模型 |
| 5.2.2 大数据流处理应用模型 |
| 5.2.3 问题描述 |
| 5.3 基于任务复制的实时调度算法 |
| 5.3.1 理论分析 |
| 5.3.2 算法描述 |
| 5.4 实验验证 |
| 5.4.1 实验设置 |
| 5.4.2 参数CCR对算法性能的影响 |
| 5.4.3 参数PF对算法性能的影响 |
| 5.4.4 算法在实际工作流上的性能 |
| 5.5 本章小结 |
| 第六章 面向大数据流云处理的安全感知调度方法 |
| 6.1 前言 |
| 6.2 模型与问题描述 |
| 6.2.1 云计算平台调度模型 |
| 6.2.2 安全敏感工作流模型 |
| 6.2.3 数据安全服务模型 |
| 6.2.4 问题描述 |
| 6.3 安全感知的调度算法 |
| 6.3.1 理论分析 |
| 6.3.2 算法描述 |
| 6.3.3 时间复杂度分析 |
| 6.4 实验验证 |
| 6.4.1 实验设置 |
| 6.4.2 安全需求对算法性能的影响 |
| 6.4.3 任务数量对算法性能的影响 |
| 6.4.4 参数CCR对算法性能的影响 |
| 6.4.5 并行度对算法性能的影响 |
| 6.4.6 实际工作流中的实验结果 |
| 6.5 本章小结 |
| 第七章 面向大数据流云处理的不确定感知调度方法 |
| 7.1 引言 |
| 7.2 模型与问题描述 |
| 7.2.1 服务实例模型 |
| 7.2.2 大数据流处理应用模型 |
| 7.2.3 不确定感知的调度框架 |
| 7.2.4 问题描述 |
| 7.3 不确定感知的调度算法 |
| 7.3.1 分析成本下界 |
| 7.3.2 任务排序 |
| 7.3.3 算法描述 |
| 7.3.4 时间复杂度分析 |
| 7.4 实验验证 |
| 7.4.1 实验设置 |
| 7.4.2 与成本下界的比较 |
| 7.4.3 任务运行时间的波动对算法性能的影响 |
| 7.4.4 数传时间的波动对算法性能的影响 |
| 7.4.5 工作流数量对算法性能的影响 |
| 7.4.6 算法的调度时间对比 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（5）片上多核系统软件特性及系统可靠性分析研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 片上多核系统技术现状 |
| 1.3 关键技术原理及其研究进展 |
| 1.3.1 嵌入式系统软件特性分析 |
| 1.3.2 多核Cache一致性协议分析 |
| 1.3.3 系统任务调度不确定性分析 |
| 1.4 主要问题及其研究内容 |
| 1.5 本论文的章节安排 |
| 第二章 相关基础知识及技术原理 |
| 2.1 相关数学基础 |
| 2.1.1 集合与有限状态机 |
| 2.1.2 马尔可夫链模型 |
| 2.1.3 随机抽样优化方法 |
| 2.2 软件特性分析方法 |
| 2.2.1 进程代数理论 |
| 2.2.2 符号逻辑方法 |
| 2.2.3 行为计算方法 |
| 2.3 多核系统可靠性技术 |
| 2.3.1 片上多核系统设计原理 |
| 2.3.2 Cache一致性协议介绍 |
| 2.3.3 系统可靠性分析方法 |
| 2.4 系统任务调度原理 |
| 2.4.1 不确定性原理 |
| 2.4.2 竞态条件模型 |
| 2.4.3 系统任务调度 |
| 2.5 本章小结 |
| 第三章 程序特性分析方法及DR-Cache应用技术 |
| 3.1 引言 |
| 3.2 软件行为特性模型的构建 |
| 3.2.1 基于指令的状态机模型 |
| 3.2.2 马尔科夫进程代数模型 |
| 3.3 DR-Cache资源最优评估方法 |
| 3.3.1 DR-Cache模型原理 |
| 3.3.2 SBF特征提取方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 多核Cache一致性协议及其系统可靠性分析 |
| 4.1 引言 |
| 4.2 多核Cache一致性原理 |
| 4.2.1 多核系统结构模型 |
| 4.2.2 缓存一致性协议 |
| 4.3 HCS架构下系统可靠性 |
| 4.3.1 瞬时状态故障分析 |
| 4.3.2 2-端可靠性函数 |
| 4.4 实验结果与分析 |
| 4.4.1 缓存一致性可靠性结果分析 |
| 4.4.2 HCS网络结构可靠性比较结果 |
| 4.5 本章小结 |
| 第五章 多核系统任务不确定性分析及其调度模型 |
| 5.1 引言 |
| 5.2 竟态条件中的不确定性模型 |
| 5.2.1 事件序列的不确定性模型 |
| 5.2.2 竞态条件的不确定性模型 |
| 5.3 基于最大熵的任务调度算法 |
| 5.3.1 最大熵优化模型 |
| 5.3.2 任务调度算法 |
| 5.4 实验结果与分析 |
| 5.4.1 竞态条件分析 |
| 5.4.2 任务调度性能比较 |
| 5.5 本章小结 |
| 第六章 片上多核系统软硬件协同设计验证平台 |
| 6.1 引言 |
| 6.2 系统设计方案 |
| 6.3 硬件架构验证平台 |
| 6.3.1 设计架构 |
| 6.3.2 结果验证 |
| 6.4 系统软件验证平台 |
| 6.4.1 设计架构 |
| 6.4.2 结果验证 |
| 6.5 本章小结 |
| 第七章 工作总结及今后的研究方向 |
| 7.1 工作总结 |
| 7.2 今后研究方向 |
| 参考文献 |
| 博士期间发表的论文 |
| 博士期间参与的课题项目 |
| 致谢 |
（6）异构集群系统中实时任务若干调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高性能计算机分类及发展趋势 |
| 1.1.2 集群系统定义及特点 |
| 1.1.3 实时应用的发展 |
| 1.2 本文动机与研究内容 |
| 1.3 本文组织结构 |
| 第2章 集群系统中实时任务调度概述 |
| 2.1 实时任务定义及分类 |
| 2.2 实时调度定义及分类 |
| 2.3 常用实时调度策略 |
| 2.4 集群系统中实时任务调度研究进展 |
| 第3章 安全关键实时任务调度研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 调度器模型和任务模型 |
| 3.3.1 调度器模型 |
| 3.3.2 任务模型 |
| 3.4 TPSS策略 |
| 3.4.1 DSRF算法 |
| 3.4.2 FMSL算法 |
| 3.5 实验测试 |
| 3.5.1 模拟方法与参数 |
| 3.5.2 节点对性能的影响 |
| 3.5.3 任务达到速度对性能的影响 |
| 3.5.4 节点异构性对性能的影响 |
| 3.6 小结 |
| 第4章 多目标实时任务调度研究 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 调度器模型和任务模型 |
| 4.3.1 调度器模型 |
| 4.3.2 任务模型 |
| 4.4 MDSS策略 |
| 4.4.1 MQFQ算法 |
| 4.4.2 ITLB算法 |
| 4.5 实验测试 |
| 4.5.1 模拟方法和参数 |
| 4.5.2 节点数对性能的影响 |
| 4.5.3 节点异构性对性能的影响 |
| 4.5.4 任务截止期对性能的影响 |
| 4.5.5 任务粒度对性能的影响 |
| 4.6 小结 |
| 第5章 基于QoS需求的实时任务容错调度研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 容错调度模型 |
| 5.3.1 前提假设 |
| 5.3.2 调度器模型 |
| 5.3.3 任务模型 |
| 5.3.4 可靠性模型 |
| 5.4 容错调度算法FTQ |
| 5.5 实验测试 |
| 5.5.1 模拟方法和参数 |
| 5.5.2 节点数对性能的影响 |
| 5.5.3 节点异构性对性能的影响 |
| 5.5.4 任务异构性对性能的影响 |
| 5.5.5 任务到达速度对性能的影响 |
| 5.5.6 任务截止期对性能的影响 |
| 5.5.7 节点出错率对性能的影响 |
| 5.6 小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文情况 |
四、并行处理系统中的一种新的任务调度算法模型（论文参考文献）
- [1]基于图卷积网络的片上系统软硬件协同设计研究[D]. 郑欣. 广东工业大学, 2021(08)
- [2]云数据中心任务完成时间相关的节能与均衡优化调度算法[D]. 郭雯霞. 电子科技大学, 2021(01)
- [3]基于Hadoop集群作业调度性能优化技术的研究与实现[D]. 王珊珊. 沈阳工业大学, 2020(01)
- [4]面向对地观测大数据云服务的天地一体优化方法[D]. 陈黄科. 国防科技大学, 2019(01)
- [5]片上多核系统软件特性及系统可靠性分析研究[D]. 李思照. 厦门大学, 2018(07)
- [6]异构集群系统中实时任务若干调度问题研究[D]. 朱晓敏. 复旦大学, 2009(12)