تعيين برش زماني پويا در الگوريتم زمانبندي نوبت گردشي با استفاده از يادگيري ماشين

يكي از رايج‌ترين الگوريتم‌هاي زمانبندي پردازنده در سيستم‌هاي اشتراك زماني، الگوريتم نوبت گردشي است. در اين الگوريتم يك برش زماني در نظر گرفته مي‌شود كه بيانگر حداكثر زماني است كه فرآيند مي‌تواند پردازنده را در اختيار داشته باشد و پردازنده به اندازه برش زماني به صورت چرخشي به فرآيندهاي صف آماده تخصيص مي‌يابد. اندازه برش زماني تاثير بسزايي بر كارايي الگوريتم نوبت گردشي دارد به گونه‌اي كه اگر برش زماني خيلي كوتاه باشد، به دليل افزايش تعداد تعويض‌متن و سربار ناشي از آن، بهره‌وري پردازنده كاهش مي‌يابد. در مقابل اگر برش زماني خيلي بزرگ باشد، ميانگين زمان پاسخ فرآيندها افزايش مي‌يابد كه استفاده از الگوريتم نوبت گردشي در كاربردهاي تعاملي را ناكارآمد مي‌سازد. هدف اين مقاله ارائه روشي كارا براي تعيين برش زماني به صورت پويا با استفاده از يادگيري ماشين است. براي اين منظور، ابتدا يك مجموعه آموزش شامل ويژگي‌هاي تعداد فرآيندها و بيشينه، كمينه، ميانگين و ميانه زمان انفجار فرآيند‌ها و ويژگي هدف برش زماني بهينه ساخته شد. سپس با آموزش طبقه‌بندهاي يادگيري ماشين بر روي اين مجموعه به پيش‌بيني برش زماني بهينه براي نمونه‌هاي جديد پرداخته شد. نتايج ارزيابي‌ها نشان مي‌دهد كه در مجموع روش پيشنهادي در مقايسه با ساير روش‌هاي تعيين برش زماني عملكرد بهتري بر اساس معيارهاي سنجش كارايي الگوريتم‌هاي زمانبندي دارد. براي مثال در مقايسه با الگوريتم ژنتيك كه در ميان روش‌هاي موجود بهترين عملكرد را دارد، ميانگين زمان انتظار و ميانگين تعداد تعويض‌متن روش پيشنهادي به ترتيب 12 ميلي‌ثانيه و 1.76 واحد بهبود و ميانگين زمان برگشت حدود 2 ميلي‌ثانيه افت داشته است.