MétaCan
Menu
Retour à la cohorte
Enregistrement W2546246579 · doi:10.1109/dft.2016.7684070

Fault-tolerant scheduling of multicore mixed-criticality systems under permanent failures

2016· article· en· W2546246579 sur OpenAlexafffund
Zaid Al-bayati, Brett H. Meyer, Haibo Zeng

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueReal-Time Systems Scheduling
Établissements canadiensMcGill University
Organismes subventionnairesFonds Québécois de la Recherche sur la Nature et les Technologies
Mots-clésComputer scienceMulti-core processorMixed criticalityFault toleranceProcessor schedulingCriticalityScheduling (production processes)Distributed computingEmbedded systemParallel computingOperating systemEngineering

Résumé

récupéré en direct d'OpenAlex

Mixed-criticality systems are real-time systems that combine both safety-critical and non-critical applications. These systems have been gaining interest due to their practical applications and their adoption in standards in several domains. On the other hand, it is often overlooked in the research on mixed-criticality systems that these systems are still safety critical and must be able to operate even when the system's processors fail. In this paper, we present an approach to design multicore mixed-criticality systems that can survive permanent processor failures. Under the proposed work, critical tasks executing on the failing cores are migrated to other cores to allow them to continue execution. Space is made on the new cores by dropping non-critical tasks. Schedulability analysis is developed by extending the AMC-rtb analysis to support processor failures. The problem of finding a mixed-criticality system configuration on a multicore architecture is formulated as a Mixed Integer Linear Programming (MILP) problem. The MILP produces a system design that is schedulable on the underlying platform and tolerant to processor failures.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,262
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetReal-Time Systems SchedulingTravaux en français237 207