学术研究报告：共享资源下不精确混合关键性任务的节能分区RM调度研究

一、作者及发表信息
本研究由华侨大学计算机科学与技术学院的Yi-Wen Zhang和Rong-Kun Chen共同完成，论文标题为《Energy-Efficient Partitioned-RM Scheduling for Shared Resources Imprecise Mixed-Criticality Tasks》，发表于ACM Transactions on Embedded Computing Systems期刊2025年6月刊的第24卷第4期（Article 53）。

二、研究背景与目标
科学领域：本研究属于实时嵌入式系统（Real-Time Embedded Systems）领域，聚焦混合关键性系统（Mixed-Criticality Systems, MCS）的调度与能耗优化问题。
研究动机：现代嵌入式系统（如无人机、汽车电子）需集成不同关键性等级的任务（如飞行控制与导航），并面临共享资源竞争与能耗限制的双重挑战。现有研究多孤立分析资源调度或能耗优化，而实际系统需同时解决二者。此外，经典混合关键性（CMC）模型在高压模式下完全丢弃低关键性（LO）任务，不符合工业实践需求，因此需引入不精确混合关键性（IMC）任务模型，允许LO任务通过降级服务质量（QoS）继续运行。
研究目标：提出一种结合多处理器优先级天花板协议（MPCP）的分区调度算法（IMCPA），在保证任务可调度性的前提下，通过动态电压频率缩放（DVFS）技术降低能耗。

三、研究流程与方法
1. 系统建模与问题定义
- 任务模型：定义IMC任务集，每个任务包含LO和HI模式的WCET（最坏执行时间），并引入共享资源访问的临界区（Critical Section）。
- 能耗模型：基于DVFS技术建立处理器功耗公式（式1），引入最小能效速度（(s_{crit})=0.17）作为基准。
- 调度协议：扩展多处理器优先级天花板协议（MPCP），区分本地资源（LCS）与全局资源（GCS）的阻塞时间计算。

1. 可调度性分析

   • 定理4.1：提出IMC任务在MPCP下的可调度性测试条件（式10），要求各处理器在LO/HI模式下的总利用率不超过RM调度界限。
     
   • 阻塞时间分析：通过5类阻塞因子（(b{i1})-(b{i5})）量化资源竞争影响，证明模式切换不会改变临界区执行时间（图3-7）。
     

2. 能效速度计算

   • 引理1-2：根据任务是否访问全局资源，分别计算处理器能效速度(s’)（式13）和(s”)（式14）。全局资源访问需更高速度以满足时序约束。
     

3. 任务-处理器映射算法（IMCPA）

   • 遗传算法设计：
     
     • 编码：任务分配方案编码为染色体，基因单元表示任务与处理器的映射关系。
       
     • 适应度函数（式16）：结合可调度性（λ=1/0）与归一化能耗（式2）评估个体。
       
     • 自适应交叉与变异：通过动态调整交叉率（θ_c）和变异率（θ_m）提升搜索效率（式19-20）。
       
   • 增强技术：
     
     • 初始种群注入CU-WFD等启发式算法的解，加速收敛。
       
     • 采用精英保留策略避免优质解丢失。
       

4. 实验验证

   • 案例研究：以飞行管理系统（FMS）为例，IMCPA相比CU-WFD、SBP和EM3算法降低能耗7.79%-21.69%（表5）。
     
   • 合成任务集测试：
     
     • 参数敏感性分析：IMCPA在(u_{avg}^{lo})（LO模式平均利用率）、CP（关键性比例）、CSR（临界区比例）等变量下均表现最优（图9-12）。
       
     • 性能优势：平均提升可调度率13.76%，节省能耗34.89%。
       

四、研究结果与逻辑链条
1. 可调度性验证：定理4.1通过严格的数学证明（见第三部分）确保IMC任务在资源竞争下的时序约束，实验数据（图8-12）验证其有效性。
2. 能耗优化：IMCPA通过遗传算法探索任务映射空间，结合DVFS技术动态调整处理器速度，实验显示其归一化能耗显著低于基线算法（图9b-12b）。
3. 资源竞争处理：MPCP扩展与阻塞时间分析（式3-8）解决了优先级反转与关键性反转问题，案例研究（图8a）展示资源局部化分配的优势。

五、结论与价值
1. 科学价值：
- 首次将IMC任务模型、MPCP协议、分区调度与DVFS技术统一研究，填补了多约束协同优化的理论空白。
- 提出的IMCPA算法为复杂嵌入式系统设计提供了可扩展的调度框架。
2. 应用价值：适用于无人机、汽车电子等电池供电的MCS场景，兼顾实时性与能效，符合工业标准（如AUTOSAR）。

六、研究亮点
1. 创新方法：
- 结合遗传算法与RM调度，实现任务-处理器映射的全局优化。
- 自适应θ_c/θ_m策略提升算法收敛速度。
2. 重要发现：
- 全局资源访问是能耗主要瓶颈，IMCPA通过资源局部化分配降低速度需求（引理1）。
- IMC模型在高压模式下保留LO任务的QoS，实验证明其可行性（图8a）。

七、其他价值
- 开源潜力：实验代码与合成任务生成工具可复现，助力后续研究。
- 工业适配性：支持商用RTOS（如VxWorks），符合多核处理器发展趋势。