基于改进 RMS 算法的 IoT 嵌入式调度优化
面向 IoT 嵌入式系统的实时任务调度优化研究，发表于 IEEE AIKIIE 2023。
项目概述
本项目研究 IoT 嵌入式系统中的实时任务调度优化。项目完成于我在 山东科技大学物联网工程实验室 的科研助理阶段，并发表于 IEEE AIKIIE 2023。
项目目标是在动态任务负载下提升嵌入式 IoT 系统的调度效率和可靠性。传统 Rate Monotonic Scheduling（RMS）主要根据任务周期分配固定优先级，方法简单、可分析，但当任务紧急程度随时间变化时，固定优先级可能不够灵活。
本项目提出改进 RMS 算法，在传统 RMS 基础上加入动态优先级调整机制，同时考虑 任务执行特性 和 deadline 紧迫性，以降低任务完成时间、减少 deadline violation，并提高系统资源利用率。
该图展示了项目主要思想：IoT 嵌入式系统从传感器、设备、网关和边缘/云端组件接收动态任务；改进 RMS 调度器根据任务紧急程度和资源状态进行调度；最终目标是降低响应时间、减少 deadline miss 并提升资源利用率。
项目动机
IoT 嵌入式系统通常需要在有限 CPU、内存和能耗约束下运行多个周期性或半周期性任务。例如传感器采集、本地预处理、无线通信、执行器控制和安全监测等。
在这些系统中，错过 deadline 可能降低服务质量，甚至影响系统安全。同时，嵌入式设备不能简单依靠增加算力来解决问题。因此，调度算法是资源受限系统可靠运行的关键机制。
本项目关注：
- 当任务紧急程度动态变化时，如何改进 RMS？
- 如何在不过度增加复杂度的情况下减少 deadline miss？
- 如何通过延迟、deadline 满足率和资源利用率评估调度质量？
这个项目也是我对 资源受限条件下高效智能系统 兴趣的早期来源之一。
问题设定
IoT 嵌入式系统通常有严格时间约束。在智能制造、健康监测、能源管理和交通控制等场景中，任务可能动态到达，并具有不同执行时间、周期和 deadline。
对于任务 (\tau_i=(C_i,T_i,D_i))，其中 (C_i) 是执行时间，(T_i) 是周期，(D_i) 是截止时间，传统 RMS 主要依据 (T_i) 分配优先级，周期越短优先级越高。
但在动态 IoT 场景中，两个周期相近的任务在某一时刻可能具有完全不同的 deadline 压力。固定优先级规则因此可能不是最优。本项目通过引入 deadline-aware priority adjustment 改进 RMS。
方法
改进 RMS 调度器考虑三个因素：
- 周期/执行特性感知：保留 RMS 的简单性，并考虑任务执行需求；
- deadline 紧迫性：对接近 deadline 的任务进行优先级提升；
- 资源利用率：减少空闲时间，提高 CPU 使用效率。
一个简化的优先级评分可以理解为：
[ P_i = \alpha \cdot P_i^{\mathrm{RMS}} + \beta \cdot U_i^{\mathrm{deadline}} ]
其中：
- (P_i^{\mathrm{RMS}}) 是 RMS 基础优先级；
- (U_i^{\mathrm{deadline}}) 衡量 deadline 接近程度；
- (\alpha) 和 (\beta) 控制固定优先级结构和动态适应之间的权重。
调度过程采用仿真优化流程：
- 初始化任务参数和候选调度方案；
- 使用 fitness function 评估候选方案；
- 通过改进算子更新候选调度；
- 根据性能指标选择更优方案；
- 满足终止条件后输出最佳调度结果。
任务模型
仿真系统包含具有代表性的感知、计算和控制任务。
| Task | Description | Execution Time | Period | Deadline |
|---|---|---|---|---|
| Task 1 | Sensor data collection | 6 | 20 | 20 |
| Task 2 | Data processing and analysis | 12 | 40 | 40 |
| Task 3 | Actuator control | 4 | 15 | 15 |
这些任务代表典型嵌入式 IoT pipeline 中的数据采集、计算和控制环节。
评价指标
项目使用三个指标评估调度器：
- 平均完成时间：越低表示任务响应越快；
- deadline violation rate：越低表示实时可靠性越好；
- 资源利用率：越高表示有限计算资源使用越充分。
这些指标同时衡量响应性和可靠性。
结果
在多个仿真场景下，改进 RMS 与传统 RMS 进行比较。
| Scenario | Algorithm | Avg. Completion Time ↓ | Deadline Violation ↓ | Resource Utilization ↑ |
|---|---|---|---|---|
| 1 | Improved RMS | 45 ms | 2% | 75% |
| 1 | Traditional RMS | 52 ms | 5% | 70% |
| 2 | Improved RMS | 68 ms | 4% | 63% |
| 2 | Traditional RMS | 76 ms | 8% | 58% |
| 3 | Improved RMS | 92 ms | 6% | 57% |
| 3 | Traditional RMS | 105 ms | 12% | 52% |
| 4 | Improved RMS | 78 ms | 5% | 65% |
| 4 | Traditional RMS | 88 ms | 9% | 60% |
| 5 | Improved RMS | 85 ms | 7% | 60% |
| 5 | Traditional RMS | 98 ms | 11% | 55% |
结果表明，改进 RMS 在测试场景中取得了更低完成时间、更少 deadline violation 和更高资源利用率。
结果分析
改进 RMS 的主要优势在于：当任务接近 deadline 时，动态优先级提升机制可以让紧急任务更早执行，从而减少 deadline miss，同时仍保留 RMS 的简单性和可解释性。
主要观察包括：
- 动态优先级调整降低了任务响应时间；
- deadline-aware 调度提升了实时可靠性；
- 自适应优先级分配改善了资源利用率；
- 面向系统约束设计的简单调度启发式方法可以取得稳定收益。
研究能力收获
该早期研究项目帮助我建立了以下能力：
- 实时调度和嵌入式系统理解；
- 资源受限条件下的算法设计；
- 基于仿真的性能评估；
- 使用延迟、deadline 满足率和利用率进行定量比较；
- 撰写并发表 IEEE 会议论文。
虽然该项目早于我当前的三维感知和自动驾驶研究方向，但它塑造了我对 高效智能系统 的兴趣。回头看，通信高效协同感知和 token 化占用预测同样是在有限资源下，将最有价值的信息分配给最关键的任务。
论文
Junfeng Ren, Scheduling Optimization Design of IoT Embedded System Based on Improved RMS Algorithm, 2023 International Conference on Ambient Intelligence, Knowledge Informatics and Industrial Electronics (AIKIIE), IEEE, 2023.