针对CPU-GPU异构平台的实时任务映射：空间GPU划分与利用界限

《ACM Transactions on Embedded Computing Systems》：Real-Time Task Mapping for CPU-GPU Heterogeneous Platforms: Spatial GPU Partitioning and Utilization Bound

基于异构计算技术的实时任务调度优化研究，提出SP-RA-TMA算法实现CPU-GPU系统的高效任务映射与资源分配，有效降低GPU资源竞争导致的调度延迟，实验表明接受率提升80%。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

随着异构计算技术的进步，针对不同领域设计的高效模型推断已在实时嵌入式平台上成功实现。对于那些同时需要通过图形处理单元（GPU）进行高度并行计算并严格遵守时间限制的应用程序（例如无人机和自动驾驶），在异构系统上有效调度实时任务仍然具有挑战性。考虑到任务之间固有的复杂干扰（争夺 GPU 资源），我们首先研究了在忽略暂停情况（即忙等待）的范式下，基于最早截止日期优先（Partitioned-EDF）调度算法的两个资源感知利用界限，然后探讨了它们的非单调性。基于这些界限所获得的见解，我们进一步提出了 SP-RA-TMA（空间划分和资源感知任务映射算法）用于在 CPU-GPU 系统上执行的周期性任务。具体来说，引入了几种以阻塞为导向的方法，以实现适当的 vGPU 到核心的划分和可行的任务到核心的映射，从而减少任务的阻塞开销，并有效缓解 GPU 资源竞争的负面影响，以提高任务集的调度性和系统工作负载的平衡性。最后，合成和实验结果表明，与现有的分区/动态方案相比，SP-RA-TMA 的实用性更高（例如，高出 $80\%$）。

AI 摘要

AI 生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。