大数据驱动的CPS的任务WCET分析方法

发布时间：2021-03-10 13:45

　　信息物理融合系统（Cyber-Physical System,CPS）是“工业4.0”和“中国制造2025”等众多战略中的核心技术,其是集计算、通信、控制三位于一体的系统,通过感知、计算决策、反馈控制的反馈环实现信息世界和物理世界的融合。CPS广泛应用于工业制造、智能交通等行业及生活中,CPS是一类对实时性有较高要求的系统,最坏情况执行时间（Worst-Case Execution Time,WCET）分析是CPS为保障实时性所倚赖的任务调度的重要基础和输入之一,这对CPS的任务WCET分析提出了需求,而现有的CPS的任务WCET分析方面的研究并不多。现在是大数据（Big Data）时代,CPS本身具有海量性、面向海量数据,利用大数据技术处理得出的数据全面、准确、覆盖面广,具有高应用价值,可用于协助CPS的任务WCET分析。因此,本文在查阅、分析与归纳CPS、WCET以及大数据的相关的研究与文献的基础上,思考并探索三者间的关系,提出并建立了一套较为完整、全面的大数据驱动的CPS的WCET分析方法。本文首先分析并指出大数据知识可以帮助CPS修正和缩小系统WCET分析所需考虑的输入空间及状... 

【文章来源】：广东工业大学广东省

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

执行时间的相关概念图解

广东工业大学硕士学位论文个阶段构成，分别对应 Map 函数和 Reduce 函数，这两个函数都能分别的针数据项运行，也就是说，在处理囊括许多不同数据项的海量数据集的时候，多个 Map 对象和 Reduce 对象的实例在并行地运行。在 MapReduce 中，采用了主—从处理机的思想。首先要设置一台主处理机（Me），主处理机下有许许多多的从处理机（Worker node）。主处理机的职责是据处理分析任务根据其数据项将这个任务分解成若干的 Map 任务和 Reduce 将从处理机（从节点）分成两部分，主处理机将 Map 任务和 Reduce 任务分两部分的从处理机去做。下面将给出两张能较详细地描述 MapReduce 的原理的图。

第二章 CPS、WCET 与大数据到的数据集，并将它们处理转换成一种中间态数据，而 Reduce 函数的职责则 Map 函数处理后的中间数据中，提取它工作所需要用到的键值对，然后对这进行处理和分析，最后得出我们想要的结果。上面提到了在 Map 函数和 R中，前者会从用户输入或分布式文件系统中提取出数据集，这样的数据集往许多数据项的一部分的数据集，里面有许许多多的键值对；那么从前者包含项的中间数据到后者要处理相同的数据项之间，还存在着一个阶段，要在 M出的所有中间数据中，分别把每个复合数据项的部分键值对提取出来，整合完整的独立的数据项交给相应的 Reduce 函数，这就是 MapReduce 中的 Shu混排或洗牌。


本文编号：3074760