Edge Generation Scheduling for DAG Tasks using Deep Reinforcement Learning

要約

有向非巡回グラフ (DAG) タスクは現在、相互通信タスクのチェーンを通じて機能を実装する自動車、航空電子工学、産業分野の複雑なアプリケーションをモデル化するためにリアルタイム領域で採用されています。
この論文では、自明なスケジューラビリティの概念に基づいた新しいスケジューラビリティ テストを提示することにより、リアルタイム DAG タスクのスケジューリングの問題を研究します。
このスケジューリング可能性テストを使用して、デッドライン制約を保証しながらエッジを反復生成することで DAG 幅を最小化しようとする新しい DAG スケジューリング フレームワーク (エッジ生成スケジューリング — EGS) を提案します。
EGS の効率的なエッジ生成ポリシーを学習するために、グラフ表現ニューラル ネットワークと組み合わせた深層強化学習アルゴリズムを開発することにより、エッジ生成の問題を効率的に解決する方法を研究します。
提案されたアルゴリズムの有効性を、最先端の DAG スケジューリング ヒューリスティックおよび最適な混合整数線形計画法ベースラインと比較することで評価します。
実験結果は、提案されたアルゴリズムが、同じ DAG タスクをスケジュールするのに必要なプロセッサの数が少ないため、最先端のアルゴリズムよりも優れていることを示しています。

要約(オリジナル)

Directed acyclic graph (DAG) tasks are currently adopted in the real-time domain to model complex applications from the automotive, avionics, and industrial domain that implement their functionalities through chains of intercommunicating tasks. This paper studies the problem of scheduling real-time DAG tasks by presenting a novel schedulability test based on the concept of trivial schedulability. Using this schedulability test, we propose a new DAG scheduling framework (edge generation scheduling — EGS) that attempts to minimize the DAG width by iteratively generating edges while guaranteeing the deadline constraint. We study how to efficiently solve the problem of generating edges by developing a deep reinforcement learning algorithm combined with a graph representation neural network to learn an efficient edge generation policy for EGS. We evaluate the effectiveness of the proposed algorithm by comparing it with state-of-the-art DAG scheduling heuristics and an optimal mixed-integer linear programming baseline. Experimental results show that the proposed algorithm outperforms the state-of-the-art by requiring fewer processors to schedule the same DAG tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google