سحر نجفی - گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
سمیرا نوفرستی - گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران

یکی از رایج ترین الگوریتم های زمانبندی پردازنده در سیستم های اشتراک زمانی، الگوریتم نوبت گردشی است. در این الگوریتم یک برش زمانی در نظر گرفته می شود که بیانگر حداکثر زمانی است که فرآیند می تواند پردازنده را در اختیار داشته باشد و پردازنده به اندازه برش زمانی به صورت چرخشی به فرآیندهای صف آماده تخصیص می یابد. اندازه برش زمانی تاثیر بسزایی بر کارایی الگوریتم نوبت گردشی دارد به گونه ای که اگر برش زمانی خیلی کوتاه باشد، به دلیل افزایش تعداد تعویض متن و سربار ناشی از آن، بهره وری پردازنده کاهش می یابد. در مقابل اگر برش زمانی خیلی بزرگ باشد، میانگین زمان پاسخ فرآیندها افزایش می یابد که استفاده از الگوریتم نوبت گردشی در کاربردهای تعاملی را ناکارآمد می سازد. هدف این مقاله ارائه روشی کارا برای تعیین برش زمانی به صورت پویا با استفاده از یادگیری ماشین است. برای این منظور، ابتدا یک مجموعه آموزش شامل ویژگی های تعداد فرآیندها و بیشینه، کمینه، میانگین و میانه زمان انفجار فرآیند ها و ویژگی هدف برش زمانی بهینه ساخته شد. سپس با آموزش طبقه بندهای یادگیری ماشین بر روی این مجموعه به پیش بینی برش زمانی بهینه برای نمونه های جدید پرداخته شد. نتایج ارزیابی ها نشان می دهد که در مجموع روش پیشنهادی در مقایسه با سایر روش های تعیین برش زمانی عملکرد بهتری بر اساس معیارهای سنجش کارایی الگوریتم های زمانبندی دارد. برای مثال در مقایسه با الگوریتم ژنتیک که در میان روش های موجود بهترین عملکرد را دارد، میانگین زمان انتظار و میانگین تعداد تعویض متن روش پیشنهادی به ترتیب ۱۲ میلی ثانیه و ۷۶/۱ واحد بهبود و میانگین زمان برگشت حدود ۲ میلی ثانیه افت داشته است.

زمانبندی پردازنده, نوبت گردشی, برش زمانی, تعیین برش زمانی پویا, یادگیری ماشین, تعویض متن