学术研究报告：IEEE Transactions on Computers 2025年5月刊载《Slack Time Management for Imprecise Mixed-Criticality Systems with Reliability Constraints》

一、作者与发表信息
本文由Yi-Wen Zhang（IEEE高级会员，华侨大学计算机科学与技术学院）与Hui Zheng（华侨大学硕士研究生）合作完成，发表于IEEE Transactions on Computers第74卷第5期（2025年5月）。研究获得福建省自然科学基金（2023J01139）和中央高校基本科研业务费（Zqn-1009）的支持。

二、学术背景
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）的能源效率与可靠性问题。混合关键性系统需在同一硬件平台上集成不同安全等级的任务（如汽车ISO 26262标准中的ASIL A-D级），高关键性任务（如ASIL D）的失效可能导致灾难性后果，需满足严格的可靠性约束（如失效概率≤10⁻⁹）。

研究动机：现有MCS调度算法在动态电压频率调节（DVFS）和容错技术（如检查点Checkpointing）结合时存在不足，尤其缺乏对半先知调度（Semi-Clairvoyance）和动态空闲时间（Dynamic Slack Time）的协同优化。本文旨在提出一种兼顾时序、可靠性和服务质量（QoS）的能源感知调度算法，以解决无人机等能源受限场景下的能效问题。

三、研究流程与方法
1. 可靠性建模与容错数确定
- 目标：根据任务关键性级别（如ASIL D/C）的可靠性目标（如1-10⁻⁹），通过泊松分布模型计算各模式下（LO/HI）可容忍的故障数（kₗₒ/kₕᵢ）。
- 方法：结合故障率公式（λ(sᵢ)=λ₀·10^(d(1-sᵢ)/(1-sₘᵢₙ))）和检查点技术，推导任务分段执行的可靠性（公式7-11），确保满足rtargetᵢ。

1. 可调度性测试

   • 创新点：提出基于需求边界函数（Demand Bound Function, DBF）的半先知调度分析框架，支持检查点容错。
     
   • 流程：
     
     • LO模式：计算静态空闲时间下的执行需求（公式12-13）。
       
     • HI模式：考虑任务切换时的动态行为，分析携带任务（Carry-Over Job）的三种执行场景（图3），推导最坏情况需求（公式14-17）。
       

2. 能源感知调度算法（EASRC）

   • 离线阶段：通过静态空闲时间回收确定处理器基础速度sₗ，满足可靠性约束（公式19-22）。
     
   • 在线阶段：动态调整速度以回收空闲时间：
     
     • 启发式成本函数（公式24）：根据任务剩余执行时间（reᵢ）和功耗差（pᵢ−pᵤ）分配空闲时间。
       
     • 速度更新规则（公式25）：限制速度不低于能效临界值s_crit=0.29。
       

3. 实验验证

   • 对比算法：无DVFS、仅离线优化（EASRC_offline）、检查点基线（CKPT）。
     
   • 数据集：随机生成10,000个任务集，参数包括总利用率（Uₗₒ=0.1~0.7）、高关键性任务比例（γ=0.1~0.9）等。
     
   • 评估指标：归一化能耗（公式3），检查点开销（β=0.01~0.025）。
     

四、主要结果
1. 能耗优化：EASRC_online平均比CKPT节能9.67%，在Uₗₒ=0.7时节能达39.08%（图6）。动态空闲时间回收贡献了6.67%的额外能效提升（图9）。
2. 可靠性保障：通过检查点间隔优化（公式5）和故障恢复机制（图2），所有任务均满足rtargetᵢ，高关键性任务可靠性≥1-10⁻⁹。
3. 可调度性：DBF测试（公式18）验证了算法在双模式切换下的时序安全性，检查点技术相比重执行（Re-execution）减少23%的截止时间违约（图1）。

五、结论与价值
1. 科学价值：首次将半先知调度、检查点容错与动态能源管理结合，为MCS提供理论可调度性框架。
2. 应用价值：适用于无人机、汽车电子等实时系统，支持在保证高关键性任务可靠性的同时，通过LO任务降级（Imprecise Execution）维持基本QoS。

六、研究亮点
1. 方法创新：提出动态空闲时间回收的启发式成本函数（公式24），优化了传统“就近分配”策略。
2. 跨领域整合：统一了可靠性建模（公式6-11）、DBF分析（公式12-18）和DVFS控制（公式25）的多层优化。
3. 实验全面性：覆盖多参数敏感性分析（ULO/γ/β），验证算法鲁棒性。

其他贡献：扩展讨论支持多关键性级别（如ASIL A-D）和多处理器平台的分区调度（Partitioned Scheduling），为后续研究提供方向。

（注：专业术语如Semi-Clairvoyance首次出现译为“半先知调度”，DBF保留英文缩写并在首次出现时标注“需求边界函数”）