Optimizing Round Robin Scheduling with DBSCAN Clustering and Machine Learning
Notice bibliographique
Résumé
In the intricate realm of operating systems, scheduling algorithms play a pivotal role in resource allocation and process completion, directly impacting overall system performance. The quest for an efficient and optimized scheduling algorithm is perpetual in the pursuit of optimal operating system utilization. The Round Robin algorithm, known for its robust time-sharing methodology, emerges as a stalwart in the scheduling context. Its versatility spans various domains, making it a preferred choice in both general-purpose computing environments and real-time systems. This study aims to elevate the performance of the Round Robin algorithm in terms of average waiting time and number of context switches without altering its core algorithmic structure. A novel approach is proposed, utilizing DBSCAN to group related processes and determine a more accurate and efficient time quantum. Departing from the conventional practice of using a single time quantum for the entire schedule, we divide the schedule into groups. The optimal time quantum for each group is derived through machine learning and deep learning algorithms, leveraging rigorous features extracted from the schedule. Notably, the LSTM model emerges as the top performer, achieving an impressive 97% accuracy. The proposed modified version consistently outshines its traditional counterpart. In 92% of cases, the modified version demonstrates superior performance in average waiting time while achieving a 96.5% improvement in context switching. Considering both metrics, the modified version showcases a notable enhancement in 87.8% of cases. This holistic assessment unveils a 5% reduction in average waiting time and a substantial 15% decrease in context switching, signifying a meaningful advancement in overall system performance.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».