DeepSoCS：一种面向异构片上系统（SoC）资源调度的神经调度器
人工智能
2020-06-08 v2 机器学习
摘要
在本文中，我们提出了一种针对一类片上系统（SoC）系统的新颖调度方案，其中异构芯片资源（DSP、FPGA、GPU 等）必须被高效调度，以处理连续到达的层次化作业，其任务由有向无环图表示。传统上，启发式算法已被广泛用于许多资源调度领域，而异构最早完成时间（HEFT）多年来一直是广泛异构资源调度领域中占主导地位的最先进技术。尽管长期流行，但已知类 HEFT 算法对环境中加入的少量噪声十分敏感。我们基于深度强化学习（DRL）的 SoC 调度器（DeepSoCS）能够在动态环境变化下学习“最佳”任务排序，克服了诸如 HEFT 等基于规则调度器的脆弱性，并在不同类型作业上取得显著更高的性能。我们描述了使用实时异构 SoC 调度模拟器的 DeepSoCS 设计过程，讨论了主要挑战，并提出了两个导致其优于 HEFT 的新颖神经网络设计特征：（i）层次化作业与任务图嵌入；以及（ii）在状态空间中高效利用实时任务信息。此外，我们介绍了应对环境中两个基本挑战——延迟后果与联合动作——的有效技术。通过广泛的仿真研究，我们表明我们的 DeepSoCS 在作业执行时间上表现出显著高于 HEFT 的性能，并在真实噪声条件下具有更高水平的鲁棒性。最后我们讨论了 DeepSoCS 神经调度器潜在的改进方向。
引用
@article{arxiv.2005.07666,
title = {DeepSoCS: A Neural Scheduler for Heterogeneous System-on-Chip (SoC) Resource Scheduling},
author = {Tegg Taekyong Sung and Jeongsoo Ha and Jeewoo Kim and Alex Yahja and Chae-Bong Sohn and Bo Ryu},
journal= {arXiv preprint arXiv:2005.07666},
year = {2020}
}
备注
18 pages, Accepted by Electronics 2020