Verbesserung des Aufgabenmanagements in gemischten Kritikalitätssystemen

In der heutigen Technologielandschaft gibt’s einen wachsenden Bedarf an Systemen, die komplexe Aufgaben effizient bewältigen können, während sie sicherstellen, dass wichtige Funktionen zuverlässig bleiben. Diese Systeme, bekannt als Mixed-Criticality Systems (MCSs), sind darauf ausgelegt, Aufgaben mit unterschiedlichen Prioritäten zu managen. Zum Beispiel könnte in einem Auto ein System Sicherheitsfunktionen wie Kollisionsvermeidung priorisieren, während es gleichzeitig weniger kritische Funktionen wie Unterhaltungsmöglichkeiten verwaltet.

Moderne MCSs nutzen oft eine Mischung aus verschiedenen Hardwaretypen, um die Arbeit zu erledigen, was helfen kann, den steigenden Anforderungen an Rechenleistung gerecht zu werden. Allerdings stehen viele dieser Systeme vor Herausforderungen, wenn es darum geht, Aufgaben effektiv nach deren Wichtigkeit zu verwalten. Dieser Artikel wird einen neuen Ansatz vorstellen, der speziell darauf abzielt, die Leistung der in MCSs verwendeten Hardwarekomponenten zu verbessern.

#Hintergrund

MCSs müssen Aufgaben mit unterschiedlichen Kritikalitätsgraden bewältigen. Hochkritische Aufgaben erfordern eine sofortige Ausführung, um Sicherheit und Funktion aufrechtzuerhalten, während weniger kritische Aufgaben Verzögerungen tolerieren können. Viele dieser Systeme nutzen spezialisierte Hardware wie Deep Neural Network (DNN) Beschleuniger, um die Berechnungen zu beschleunigen. Doch oft hat diese Hardware Schwierigkeiten mit der Aufgabenpriorisierung.

Ein bedeutendes Problem, das dabei auftritt, sind Prioritätsinversionen. Das passiert, wenn Aufgaben mit niedriger Priorität Systemressourcen beanspruchen, wodurch hochpriorisierte Aufgaben länger warten müssen als nötig. Solche Verzögerungen können in sicherheitskritischen Anwendungen schwerwiegende Probleme verursachen. Zum Beispiel kann eine Verzögerung bei der Verarbeitung von Daten zur Kollisionsvermeidung in einem Fahrzeugsystem lebensbedrohliche Folgen haben.

#Die Probleme

Eine der grössten Herausforderungen in MCSs ist, dass viele Hardwarekomponenten für hohe Durchsatzraten und nicht für effizientes Task-Switching ausgelegt sind. Das bedeutet, dass Aufgaben oft so verarbeitet werden, dass hochpriorisierte Aufgaben laufende, niedrigpriorisierte Aufgaben nicht unterbrechen können. Das führt zu langen Wartezeiten für wichtige Aufgaben.

Um diese Probleme anzugehen, haben einige Forscher nach Möglichkeiten gesucht, Arbeitslasten über verschiedene Systeme zu verteilen oder Softwarelösungen zu nutzen, die ändern, wie Aufgaben verwaltet werden. Diese Anpassungen erfordern jedoch oft erhebliche Änderungen sowohl an Hardware als auch an Software, was zeitaufwendig und teuer sein kann.

#Ein neuer Ansatz: MESC

Um diese Herausforderungen zu überwinden, schlagen wir ein neues Framework namens Make Each Switch Count (MESC) vor. Das Ziel von MESC ist es, eine effizientere Möglichkeit zu bieten, zwischen Aufgaben auf einer viel feineren Granularitätsebene zu wechseln, damit hochpriorisierte Aufgaben sofort reagiert werden kann, ohne dass laufende, niedrigpriorisierte Aufgaben komplett gestoppt werden müssen.

#Wichtige Merkmale von MESC

1. Instruktions-Level-Präemption: MESC erlaubt es, Aufgaben auf der Ebene einzelner Instruktionen zu unterbrechen, anstatt nur am Ende ganzer Algorithmen. Das reduziert die Wartezeit für hochpriorisierte Aufgaben erheblich.

2. Kohärente Systemstruktur: MESC integriert sowohl Hardware- als auch Softwareänderungen, um ein kohärentes System zu schaffen, das mehrere Aufgaben effektiv bewältigen kann. Das bedeutet, einen neuen Beschleuniger zu entwerfen, der gut mit bestehenden Hardware- und Softwarekomponenten zusammenarbeitet, aber die Aufgabenverwaltung verbessert.

3. Theoretische Validierung: Neben der praktischen Umsetzung beinhaltet MESC ein theoretisches Modell, das hilft sicherzustellen, dass die neuen Methoden zuverlässig und vorhersehbar in ihrem Verhalten sind.

#Die Hardwarekomponente: DNN-Beschleuniger

DNN-Beschleuniger sind spezialisierte Hardwarekomponenten, die entwickelt wurden, um komplexe Berechnungen schnell durchzuführen, was sie ideal für Aufgaben wie Bilderkennung und Verarbeitung natürlicher Sprache macht. Ihre Konstruktion erschwert oft die Integration mit traditionellen Aufgabenmanagementsystemen.

#Gemmini-Architektur

Ein Beispiel für einen DNN-Beschleuniger ist die Gemmini-Architektur. Sie verwendet ein systolisches Array, eine Art Gitter von Prozessoren, die miteinander kommunizieren, um Berechnungen durchzuführen. Gemmini ist darauf ausgelegt, zusammen mit allgemeinen CPUs zu arbeiten, was parallele Verarbeitung ermöglicht. Ihr Design konzentriert sich jedoch hauptsächlich darauf, den Durchsatz zu maximieren und nicht auf ein effektives Task-Switching.

MESC führt eine Methode ein, um Gemmini anpassungsfähiger zu machen, indem es ermöglicht, Aufgaben auf der Instruktionsebene zu unterbrechen. Das bedeutet, dass wenn eine hochpriorisierte Aufgabe ankommt, sie die aktuellen Prozesse unterbrechen kann, wodurch die Reaktionsfähigkeit des Systems verbessert wird.

#Die Softwarekomponente: Betriebssystemintegration

Neben den Hardwareverbesserungen umfasst MESC auch Modifikationen am Betriebssystem (OS). Diese Modifikationen helfen dem OS, das Task-Switching und die Ressourcenverteilung effektiv zu verwalten.

#Aufgabenplanung

Ein entscheidendes Merkmal von MESC ist ein neuer Scheduler, der zur effizienten Verwaltung von Aufgaben entworfen wurde. Der Scheduler überwacht ständig den Status des Systems und entscheidet, wann eine Aufgabe unterbrochen werden soll. Wenn eine hochpriorisierte Aufgabe sofortige Massnahmen erfordert, kann der Scheduler schnell einen Kontextwechsel implementieren, sodass die wichtige Aufgabe ausgeführt werden kann, während er im Auge behält, was die vorherige Aufgabe gemacht hat.

#Aufgabenüberwachung

Ein weiterer wichtiger Aspekt ist ein Aufgabenmonitor, der den aktuellen Zustand und den Ressourcenbedarf jeder Aufgabe verfolgt. Diese Komponente stellt sicher, dass das System akkurate Informationen über alle Aufgaben behält, was es einfacher macht, Kontextwechsel und Ressourcenverteilung effektiv zu verwalten.

#Experimentelle Ergebnisse

Um die Wirksamkeit von MESC zu demonstrieren, wurden eine Reihe von Tests mit einem AMD Alveo U280 FPGA-Board durchgeführt. Die Tests umfassten eine Vielzahl von DNN-Arbeitslasten, um die Leistung des neuen Systems zu evaluieren.

#Testen des Kontextwechsels

Einer der Hauptfokusse war zu bewerten, wie gut MESC Kontextwechsel und den damit verbundenen Overhead bewältigen kann. Die Ergebnisse zeigten signifikante Verbesserungen sowohl bei der Zeit, die benötigt wird, um den Zustand von Aufgaben zu speichern und wiederherzustellen, im Vergleich zu traditionellen Methoden. Insbesondere konnte MESC die Dauer kritischer Wartezeiten von Millionen von Zyklen auf nur Hunderte reduzieren, was es viel effizienter macht.

#Erfolgreiche Aufgaben-Ausführung

Der Erfolg der Aufgabenausführung unter MESC wurde ebenfalls bewertet. Tests zeigten, dass selbst bei hoher Systemauslastung die neue Struktur eine hohe Erfolgsquote aufrechterhielt, was bedeutet, dass Aufgaben wahrscheinlicher ihre Fristen einhalten konnten. In Szenarien ohne die Kontextwechsel-Fähigkeiten von MESC fiel die Erfolgsquote dramatisch, als die Systemlast anstieg.

#Zukünftige Anwendungen

Die Verbesserungen, die MESC mit sich bringt, könnten weitreichende Auswirkungen auf verschiedene Branchen haben. Zum Beispiel könnte in Fahrzeugsystemen die Fähigkeit, Aufgaben effektiver zu verwalten, zu sichereren autonomen Fahrzeugen führen. Ähnlich könnte in der Luftfahrt- und Medizintechnologie die Sicherstellung, dass kritische Aufgaben priorisiert werden, erhebliche Sicherheitsvorteile bieten.

#Erweiterung über DNNs hinaus

Während dieses Framework auf DNN-Beschleuniger angewendet wurde, können die skizzierten Prinzipien auch auf andere Arten von Co-Prozessoren angepasst werden. Diese Flexibilität bedeutet, dass MESC möglicherweise die Leistung einer Vielzahl von Systemen über die, die mit maschinellem Lernen zu tun haben, hinaus verbessern könnte.

#Fazit

MESC bietet einen vielversprechenden neuen Ansatz zur Verwaltung von Mixed-Criticality-Systemen und spricht kritische Fragen der Aufgabenpriorisierung und Reaktionsfähigkeit an. Durch die Integration von Hardware- und Softwarelösungen verbessert MESC die Fähigkeiten im Aufgabenmanagement erheblich und reduziert die Wartezeiten für hochpriorisierte Aufgaben, während die Gesamteffizienz des Systems erhalten bleibt.

Mit dem fortschreitenden Technologie-Evolution werden Frameworks wie MESC immer wichtiger, um sicherzustellen, dass komplexe Systeme unter verschiedenen Bedingungen sicher und effektiv arbeiten können.