随着无线通信技术的发展,愈加复杂的通信模式对信号处理平台实时性、
准确性、高效性的要求越来越高。因此,研究一种具有开放性、可扩展、可移
植的智能异构信号处理平台已成为未来信号处理平台的发展趋势。不同类型的
信号处理平台使用的高性能处理器有所差异,软硬件资源的耦合程度较大,应用
任务可移植性较差,导致信号处理平台研发周期长且通用性较差。软件无线电
(Software Defined Radio,SDR)及认知无线电概念的提出和软件通信体系架构
(Software Communication Architecture,SCA)的不断发 展 ,使 得在开放 性 通 用
平台上开发可升级、可复用、可重配置的软硬件体系架构逐渐成为研究热点。
弗吉尼亚理工大学于 2006 年提出了基于 SCA 标准的 OSSIE 架构,该结构可以
在 异 构 平 台 上 进 行 互 操 作 ,同 时 处 理 多 个 信 号 任 务
[1]
。 加 泰 罗 尼 亚 大 学 基 于
PHAL 开发的 ALOE 架构则具有良好的实时性
[2]
。认知软件无线电框架能够最
大限度利用平台系统软硬件资源,其综合且开放的软硬件体系架构为分层异构
信号处理(Layered Heterogeneous Signal Processing,LHSP)平台的高性能研
究提供了参考。
分层异构信号处理平台复杂、庞大的软硬件资源使得针对软硬件体系架构
的研究成为平台的关键部分,而复杂系统的资源管理和信号任务的动态到达又
增加了问题的复杂性,因此任务调度策略是平台实现高性能的关键。异构计算
环境下的任务调度计算复杂度较高,是一个 NP(Non-Deterministic Polynomial
Complete Problems) 完 全 问 题 。 目 前 任 务 调 度 多 建 立 有 向 无 环 图 (Directed
Acyclic Graph,DAG)模型来表述,通过节点和有向边为任务调度算法提供简单
直观的描述。大量有关 DAG 任务的调度方法已被提出。这些方法所采用的调
度技术和应用场景各有不同,其中一些算法已经被成功应用到异构计算系统中,
例如异构最早完成时间(Heterogeneous-Earliest-Finish-Time,HEFT)、动态优
先级调度(Dynamic Level Scheduling,DLS)等。文献[3]提出的智能并行蚁群任
务调度策略,通过改进蚁群搜索方式,有效提高了异构系统中大规模并行计算任
务的执行效率。文献[4]提出基于优先队列划分的调度算法,动态的队列划分方
法有效减少了异构系统任务的完成时间。随着人工智能技术的快速发展,机器
学习算法、人工神经网络
[5]
等在异构系统中得到了广泛的应用。文献[6]提出的
树形调度算法,以二叉树的形式对集群资源进行划分,平衡了硬件加速器负载并
提高了资源利用率。基于人工神经网络、基于模型并行的多层感知机等方法,
将机器学习应用在嵌入式异构系统中,提高了平台开发速度。单一的任务调度
评论0
最新资源