[发明专利]一种基于深度学习的EDF可调度性判定方法及装置

权利要求书

1.一种基于深度学习的EDF可调度性判定方法，其特征在于，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最早截止时间优先EDF算法被调度。

2.根据权利要求1所述的方法，其特征在于，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EDF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EDF算法调度所述目标任务子集中各待执行任务。

3.根据权利要求1所述的方法，其特征在于，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。

4.根据权利要求1所述的方法，其特征在于，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；

采用空间划分方法对所述任务集进行划分，获取第二任务子集，其中，所述第二任务子集携带有可调度性判定标签，所述可调度性判定标签用于表示所述第二任务子集能否在单核处理器上按照EDF算法被调度，所述第二任务子集包括至少一个所述任务；

根据所述第二任务子集的调度特征及所述可调度性判定标签，对深度神经网络DNN模型进行训练，获取所述可调度性判定模型。

5.根据权利要求1所述的方法，其特征在于，所述调度特征是通过以下方式提取的：

根据任务在单核处理器上按照EDF算法被调度时的行为信息和属性信息，构建第一调度特征集合，其中，所述第一调度特征集合包括至少一个第一调度特征；

根据预设条件，在所述第一调度特征集合包括的至少一个所述第一调度特征中选择第二调度特征；

对所述第二调度特征进行数据处理，获取所述调度特征。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述属性参数包括以下一项或多项：

任务周期、相对截止时间以及最坏执行时间。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述调度特征包括以下一项或多项：

中央处理器CPU利用率、密度、优劣程度、截止率、执行率、调度率、有效调度率、被抢占率、有效被抢占率、空闲率、有效空闲率、超周期负载率、同步忙周期负载率、特殊时间段负载率。

8.一种基于深度学习的EDF可调度性判定装置，其特征在于，包括：

获取模块，用于获取待执行任务集，其中，所述待执行任务集包括至少一个待执行任务；

划分模块，用于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，所述空间划分方法表示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，获取所述待执行任务在空间上的不同排列组合；

判定模块，用于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表示所述第一任务子集能否在单核处理器上按照最早截止时间优先EDF算法被调度。