一种面向智慧医疗的个性化应用调度方法和装置制造方法及图纸

本发明专利技术公开一种面向智慧医疗的个性化应用调度方法和装置，包括以下步骤：步骤S1、获取每个应用程序的负载；步骤S2、根据每个应用程序的负载，得到单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS；步骤S3、根据单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS，最大化个性化智慧医疗应用程序的QoS。采用本发明专利技术的技术方案，能在满足时间、温度、寿命可靠性和能源预算等所有设计约束条件下，充分发挥协同处理器的并行计算能力，实现应用程序QoS最大化。实现应用程序QoS最大化。实现应用程序QoS最大化。

【技术实现步骤摘要】
一种面向智慧医疗的个性化应用调度方法和装置


[0001]本专利技术属于智慧医疗
，尤其涉及一种面向智慧医疗的个性化应用调度方法和装置。

技术介绍

[0002]近年来，信息技术的飞速发展促进了医疗信息物理系统（MCPS）的广泛部署，尤其是数字医疗领域。在智能医疗领域上，CPU
‑
GPU（图形处理单元）协同多处理器片上系统（MPSoC）赋能的医疗边缘设备能充分发挥GPU内核的并行计算能力和CPU内核的通用计算能力，在处理和管理海量健康相关数据方面具有巨大优势，但其面临的关键挑战在于将应用程序工作负载映射和分区到CPU和GPU内核上，即应用程序工作负载分区如何确定CPU和GPU内核之间应用程序工作负载的适当比例。然而，现有的研究通常采用最坏情况执行周期来悲观预测单个应用程序的工作负载，导致应用程序服务质量（QoS）大大降低。经验预测技术快速发展，成为可以作为预测医疗应用程序工作负载的可行技术，但早期系统部署阶段存在训练样本数据稀缺的问题，无法保持较高的估计精度。因此，建立具有高估计精度但只需少量训练样本的高效工作负载预测方法，已经成为一个非常重要的研究课题。
[0003]过去关于MCPS环境下的智能医疗研究成为热门话题，大量学者研究工作都专注于处理CPU
‑
GPU协同处理器的应用映射和分区问题上，即优化协同处理器的响应延迟和能耗，但这些工作只是从系统的角度出发进行延迟和能耗的算法设计，即这些算法是为了提高整个应用的平均性能而制定的，忽略了MCPS领域中数字医疗应用的个性化需求。此外，CPU和GPU内核寿命可靠性指标是量化半导体设备承受由磨损故障造成永久性错误的重要指标，但现有的工作没有将CPU
‑
GPU核心寿命可靠性考虑在内，导致硬件故障提前发生。并且，由于CPU内核和GPU内核寿命可靠性方面的异质性，不同核之间不平衡的损坏最终也可能导致系统提前出现故障。

技术实现思路

[0004]本专利技术要解决的技术问题是，提供一种面向智慧医疗的个性化应用调度方法和装置，在满足时间、温度、寿命可靠性和能源预算等所有设计约束条件下，充分发挥协同处理器的并行计算能力，实现应用程序QoS最大化。
[0005]为实现上述目的，本专利技术采用如下的技术方案：一种面向智慧医疗的个性化应用调度方法，包括：步骤S1、获取每个应用程序的负载；步骤S2、根据每个应用程序的负载，得到单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS；步骤S3、根据单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS，最大化个性化智慧医疗应用程序的QoS。
[0006]作为优选，步骤S1中，基于机器学习预测每个应用程序的负载。
[0007]作为优选，步骤S2中，基于个性驱动的应用程序预测单个智慧医疗应用程序对响应延迟和功耗的偏好和在多种延迟功耗级别下的QoS；作为优选，步骤S3中，基于c
‑
DPEA群体智能应用程序调度策略，最大化个性化智慧医疗应用程序的QoS。
[0008]本专利技术还提供一种面向智慧医疗的个性化应用调度装置，包括：获取模块，用于获取每个应用程序的负载；第一处理模块，用于根据每个应用程序的负载，得到单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS；第二处理模块，用于根据单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS，最大化个性化智慧医疗应用程序的QoS。
[0009]作为优选，获取模块通过机器学习预测每个应用程序的负载。
[0010]作为优选，第一处理模块基于个性驱动的应用程序预测单个智慧医疗应用程序对响应延迟和功耗的偏好和在多种延迟功耗级别下的QoS；作为优选，第二处理模块基于c
‑
DPEA群体智能应用程序调度策略，最大化个性化智慧医疗应用程序的QoS。
[0011]与现有技术相比，本专利技术具有如下优点和技术效果：本专利技术通过基于机器学习的应用程序负载预测方法、个性驱动的应用程序QoS预测方法和基于c
‑
DPEA群体智能应用程序调度策略，为由CPU
‑
GPU协同MPSoC赋能的智慧医疗应用程序提供一种可靠性保证的个性化调度技术。本专利技术可以在满足所有设计约束的前提下最大化个性化智慧医疗应用程序的QoS。
附图说明
[0012]为了更清楚地说明本专利技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术实施例的方法流程示意图；图2为本专利技术的个性驱动应用程序QoS预测方法训练过程的混淆矩阵示意图；图3为本专利技术的个性驱动 QoS 预测方法对应用程序FDEB、FIR、KNN和EP的泛化能力示意图；图4为本专利技术开发的基于c
‑
DPEA的应用程序调度策略与五种典型的非支配解搜索算法NSGA
‑
III、MOEA/D、DLS
‑
MOEA、MaOEA/IGD和MoALO的非支配解搜索方法比较结果示意图；图5为本专利技术的解决方案和基准测试方案TEEM在运行不同应用程序时获得的QoS比较结果示意图；图6为本专利技术的解决方案和基准测试方案TEEM的调度可行性比较结果示意图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0016]如图1所示，本专利技术本专利技术所提的面向智慧医疗的个性化应用调度方法，包括以下步骤：一种面向智慧医疗的个性化应用调度方法，包括：步骤S1、基于机器学习预测每个应用程序的负载；步骤S2、根据每个应用程序的负载，基于个性驱动的应用程序预测单个智慧医疗应用程序对响应延迟和功耗的偏好和在多种延迟功耗级别下的QoS；步骤S3、根据单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS，基于c
‑
DPEA群体智能应用程序调度策略，最大化个性化智慧医疗应用程序的QoS。
[0017]其中，步骤S1为了克服传统经验预测技术的缺点，具有保持高估计精度但只需要少量训练样本的能力，步骤S2考虑了应用程序对响应延迟和能耗的偏好与其程序特性高度相关，步骤S3为了找到QoS最大化的最佳应用程序映射及分区点，搜索 QoS 最大化的非支配调度解决方案。
[0018]作为本专利技术实施的一种实施方式，步骤S1具体包括：步骤A1：随机初始化参数；步骤A2：将应用程序样本集分成元训练集和元测试集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智慧医疗的个性化应用调度方法，其特征在于，包括以下步骤：步骤S1、获取每个应用程序的负载；步骤S2、根据每个应用程序的负载，得到单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS；步骤S3、根据单个智慧医疗应用程序对响应延迟和功耗的偏好和延迟功耗级别下的QoS，最大化个性化智慧医疗应用程序的QoS。2.如权利要求1所述的面向智慧医疗的个性化应用调度方法，其特征在于，步骤S1中，基于机器学习预测每个应用程序的负载。3.如权利要求1所述的面向智慧医疗的个性化应用调度方法，其特征在于，步骤S2中，基于个性驱动的应用程序预测单个智慧医疗应用程序对响应延迟和功耗的偏好和在多种延迟功耗级别下的QoS。4.如权利要求1所述的面向智慧医疗的个性化应用调度方法，其特征在于，步骤S3中，基于c
‑
DPEA群体智能应用程序调度策略，最大化个性化智慧医疗应用程序的QoS。5.一种面...

【专利技术属性】
技术研发人员：曹坤，钟展鸿，翁健，
申请(专利权)人：暨南大学，
类型：发明
国别省市：