面向異構(gòu)計(jì)算的能效感知調(diào)度研究.pdf

1、以高性能集群為代表的大規(guī)模計(jì)算系統(tǒng)，可具高吞吐信息服務(wù)和海量數(shù)據(jù)處理能力，無(wú)疑是”互聯(lián)網(wǎng)+”時(shí)代覆蓋國(guó)家政治、社會(huì)經(jīng)濟(jì)以及人們生活多領(lǐng)域的強(qiáng)有力生產(chǎn)工具。與此同時(shí)，信息技術(shù)(ICT)產(chǎn)業(yè)能耗占據(jù)世界能源消耗總量的比例在逐年攀升。綠色計(jì)算因?yàn)榕c環(huán)境保護(hù)和人類(lèi)可持續(xù)發(fā)展的密切關(guān)聯(lián)引起越來(lái)越多社會(huì)關(guān)注。實(shí)際上，高性能領(lǐng)域的能效管理也是當(dāng)前數(shù)據(jù)和計(jì)算中心運(yùn)行的關(guān)鍵問(wèn)題。
　　本文將對(duì)面向海量數(shù)據(jù)密集應(yīng)用的融合能效感知異構(gòu)調(diào)度模型及算法展開(kāi)

2、研究，以適應(yīng)大規(guī)模計(jì)算系統(tǒng)低能耗、高擴(kuò)展和負(fù)載均衡等服務(wù)質(zhì)量需求。本文選題來(lái)源于國(guó)家高技術(shù)研究發(fā)展計(jì)劃”面向公共計(jì)算服務(wù)的網(wǎng)格平臺(tái)研究及應(yīng)用”、”真實(shí)感動(dòng)漫渲染系統(tǒng)研究與應(yīng)用”以及國(guó)家自然科學(xué)基金項(xiàng)目”面向數(shù)據(jù)密集應(yīng)用的功耗感知調(diào)度研究”。本課題屬于高性能領(lǐng)域異構(gòu)系統(tǒng)、實(shí)時(shí)動(dòng)態(tài)調(diào)度、分布式人工智能和綠色可持續(xù)計(jì)算技術(shù)四者結(jié)合的交叉課題，為融合能效感知異構(gòu)調(diào)度研究探索新的道路，奠定相應(yīng)的理論和技術(shù)基礎(chǔ)。隨著ICT能耗持續(xù)上升、云計(jì)算商業(yè)模

3、式日益普及和系統(tǒng)規(guī)模的不斷擴(kuò)大，本課題的研究具有重大的理論和應(yīng)用價(jià)值。
　　本文在理論研究上，一方面通過(guò)有效量化異構(gòu)系統(tǒng)實(shí)際DVFS處理器多維變尺度參數(shù)來(lái)建立融合能效感知的多目標(biāo)優(yōu)化調(diào)度模型;另一方面基于元啟發(fā)式經(jīng)典或新興的代表算法，鑒于調(diào)度問(wèn)題的NP完全性、環(huán)境多樣性、應(yīng)用新需求以及多QoS指標(biāo)的折中性等，采用多學(xué)科交叉研究技術(shù)路線，提出兩種新穎多目標(biāo)優(yōu)化調(diào)度算法。這兩方面相輔相成，融為一體。
　　1.本文提出融合能效感知

4、的異構(gòu)調(diào)度模型。旨在探索軟、硬件節(jié)能技術(shù)結(jié)合帶來(lái)的高效能計(jì)算特性，如何由傳統(tǒng)同構(gòu)系統(tǒng)延伸到異構(gòu)系統(tǒng)，由獨(dú)立任務(wù)模型發(fā)展到依賴(lài)任務(wù)模型，以及由理想DVFS處理器模型擴(kuò)展到實(shí)際DVFS處理器多維變尺度模型，本文從并行實(shí)時(shí)任務(wù)的DAG構(gòu)建出發(fā)，兼顧計(jì)算資源的異構(gòu)性定義，數(shù)學(xué)表述含能耗預(yù)算在內(nèi)多個(gè)計(jì)算服務(wù)質(zhì)量指標(biāo)，進(jìn)而建立面向協(xié)同異構(gòu)計(jì)算且易于復(fù)用的多目標(biāo)優(yōu)化調(diào)度模型;并用理論分析和實(shí)驗(yàn)結(jié)果證明模型在滿(mǎn)足并行依賴(lài)任務(wù)集最優(yōu)可調(diào)度性的前提下可獲得

5、更多能耗節(jié)余，尤其在高負(fù)載情況下節(jié)能效果更明顯。
　　2.本文提出支持圖深度值、耦合強(qiáng)度排序的人工免疫調(diào)度算法。針對(duì)帶有強(qiáng)約束且缺乏領(lǐng)域知識(shí)的多目標(biāo)異構(gòu)調(diào)度優(yōu)化問(wèn)題，為有效克服現(xiàn)有免疫算法存在的局部搜索能力差、早熟收斂、隨機(jī)漫游以及最終解精度不高等主要缺陷，論文從抗體編解碼技術(shù)及其親和度多目標(biāo)評(píng)估方法兩方面入手，詳細(xì)討論了抗體”基因”親和度細(xì)粒度評(píng)估、模因數(shù)學(xué)表述、基因-模因自組織協(xié)同進(jìn)化模擬以及進(jìn)化反饋深度模型的相關(guān)免疫學(xué)及認(rèn)知

6、心理學(xué)機(jī)理。
　　3.本文提出基于離散群體智能的調(diào)度優(yōu)化算法。在分析和比較已有算法的基礎(chǔ)上，根據(jù)異構(gòu)調(diào)度優(yōu)化問(wèn)題需要，研究支持DAG深度值、耦合強(qiáng)度排序的粒子向量表示方法;并基于數(shù)學(xué)知識(shí)、物理動(dòng)力學(xué)和分布式人工智能等理論，提出粒子群進(jìn)化的線性連續(xù)模型;設(shè)計(jì)實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)群體精英智能的局部搜索策略，以及對(duì)算法性能進(jìn)行理論和實(shí)驗(yàn)分析。
　　本文的理論分析、仿真實(shí)驗(yàn)和評(píng)價(jià)結(jié)果表明，本課題的研究成果既可有效降低海量數(shù)據(jù)密集應(yīng)用執(zhí)行過(guò)