Details

Abstrakt in Englisch

Nowadays mobile operators face several challenges because of the large growth of internet traffic usage, and the increase of the number of users. There is a need for innovations in almost every area such as e-health, private businesses, automation, etc. 5G supports a variety of new services with different requirements for throughput, latency, and reliability. Multicore computing platforms are used to meet the various implementations while allowing scalability and flexibility in the implementation of the base stations. The challenge in this regard is the efficient distribution and processing of signal processing tasks on parallel processors. Multiple processing elements give an opportunity to exploit application parallelism by splitting them into many parallel tasks and making the parallel execution possible. But unfortunately, these methods also have disadvantages. Moreover, with increasing the application complexity, the management and synchronization overhead increases disproportionately, which limits the increase in performance and system efficiency. The performance of the application highly depends on the methods used to execute it. The overheads resulting from synchronization, management, and waiting time in a queue sometimes are not solvable only by choosing the right scheduling algorithm. Therefore, another solution is needed. To cope with this problem, the application granularity reduction using task clustering was proposed recently and demonstrated impressive performance improvement. Clustering application before applying scheduling algorithm reduces the granularity of the application and solves the problem concerning synchronization and management overheads. There are different clustering algorithms to be chosen, but they are non deterministic and have high interconnection between tasks from various clusters. Our motivation for this work was to find a clustering algorithm that will suit our problem better and will result in better performance. We present a modification of the CASS-II clustering algorithm proves to be a satisfactory solution for our applications. In order to analyze and simulate different graphs, we also developed a simulation tool, which enables us to run different algorithms for scheduling and clustering very efficiently. It accepts any kind of graphs, and the results can be later analyzed via easily formed visualization functions. We also covered another important topic that is energy consumption. Power control is one of the most important topics in many communication and computation environments. Heat generation, expensive packing, and cooling can be a result of high power generation. Many researchers are engaged in this problem and suggest various solutions. Energy-delay tradeoff is examined as a method for energy saving. In this work, we investigate dynamic voltage and frequency scaling and suggest a new modified method called Proportional Task Scaling. In order to change energy consumption, the frequency and voltage should be changed together. There are different algorithms that suggest reducing these parameters differently. The greedy static power management algorithm suggests to reduce frequency and increase the execution time of the first tasks on processing elements. Most of the algorithms use the slack value(difference of deadline and scheduling length) to make this change happen. Our motivation is to reduce even more energy consumption by still meeting the deadline of the application. So, our suggestion is to change parameters not only for the first but the whole application by meeting scheduling requirements and deadlines.

Abstrakt in Deutsch

Heutzutage sehen sich die Mobilfunkbetreiber aufgrund der starken Zunahme des Internetverkehrs und der steigenden Nutzerzahlen mit zahlreichen Herausforderungen konfrontiert. In fast allen Bereichen wie E-Health, Privatwirtschaft usw. besteht ein Bedarf an Innovationen. 5G unterstützt eine Vielzahl von neuen Diensten mit unterschiedlichen Anforderungen an Durchsatz, Latenz und Zuverlässigkeit. Multicore-Rechenplattformen werden eingesetzt, um den verschiedenen Implementierungen gerecht zu werden und gleichzeitig Skalierbarkeit und Flexibilität bei der Implementierung der Basisstationen zu ermöglichen. Die Herausforderung in diesem Zusammenhang ist die effiziente Verteilung und Verarbeitung der Signalverarbeitungsaufgaben auf parallelen Prozessoren. Mehrere Verarbeitungselemente bieten die Möglichkeit, die Parallelität von Anwendungen auszunutzen, indem sie in viele parallele Aufgaben aufgeteilt werden und die parallele Ausführung ermöglichen. Aber leider haben diese Methoden auch Nachteile. Außerdem steigt mit zunehmender Komplexität der Anwendung der Verwaltungs- und Synchronisationsaufwand überproportional an, was die Leistungssteigerung und die Systemeffizienz begrenzt. Die Leistung der Anwendung hängt in hohem Maße von den für ihre Ausführung verwendeten Methoden ab. Der Overhead, der durch Synchronisation, Verwaltung und Wartezeit in einer Warteschlange entsteht, lässt sich manchmal nicht allein durch die Wahl des richtigen Scheduling-Algorithmus lösen. Daher ist eine andere Lösung erforderlich. Um dieses Problem zu bewältigen, wurde vor kurzem die Reduzierung der Anwendungsgranularität durch Bildung der Aufgabenclusters vorgeschlagen und eine beeindruckende Leistungssteigerung nachgewiesen. Das Clustering einer Anwendung vor der Anwendung eines Planungsalgorithmus reduziert die Granularität der Anwendung und löst das Problem der Synchronisierung und des Verwaltungsaufwands. Es stehen verschiedene Clustering-Algorithmen zur Auswahl, die jedoch nicht deterministisch sind und eine starke Verbindung zwischen den Aufgaben aus verschiedenen Clustern aufweisen. Unsere Motivation für diese Arbeit war einen Clustering-Algorithmus zu finden, der für unser Problem besser geeignet ist und zu einer besseren Leistung führt. Wir stellen eine Modifikation des CASS-II Clustering-Algorithmus vor, der sich als zufriedenstellende Lösung für unsere Anwendungen erweist. Um verschiedene Graphen zu analysieren und zu simulieren, haben wir auch ein Simulationswerkzeug entwickelt, mit dem wir verschiedene Algorithmen für Scheduling und Clustering sehr effizient ausführen können. Es akzeptiert jede Art von Graphen, und die Ergebnisse können später über einfach gestaltete Visualisierungsfunktionen analysiert werden. Wir haben auch ein anderes wichtiges Thema behandelt, nämlich den Energieverbrauch. Die Energiekontrolle ist eines der wichtigsten Themen in vielen Kommunikations- und Rechenumgebungen. Wärmeentwicklung, teure Verpackung und Kühlung können die Folge einer hohen Stromerzeugung sein. Viele Forscher befassen sich mit diesem Problem und schlagen verschiedene Lösungen vor. Der Kompromiss zwischen Energie und Verzögerung wird als eine Methode zur Energieeinsparung untersucht. In dieser Arbeit untersuchen wir die dynamische Spannungs- und Frequenzskalierung und schlagen eine neue, modifizierte Methode namens Proportional Task Scaling vor. Um den Energieverbrauch zu ändern, sollten Frequenz und Spannung gemeinsam geändert werden. Es gibt verschiedene Algorithmen, die eine unterschiedliche Reduzierung dieser Parameter vorschlagen. Der gierige statische Energieverwaltungsalgorithmus schlägt vor, die Frequenz zu verringern und die Ausführungszeit der ersten Aufgaben auf den Verarbeitungselementen zu erhöhen. Die meisten Algorithmen verwenden den Schlupfwert (Differenz zwischen Deadline und Scheduling-Länge), um diese Änderung zu bewirken. Unsere Motivation ist es, den Energieverbrauch noch weiter zu senken und trotzdem die Frist der Anwendung einzuhalten. Daher schlagen wir vor, die Parameter nicht nur für die erste Aufgabe, sondern für die gesamte Anwendung zu ändern und dabei die Planungsanforderungen und Fristen einzuhalten.