arXiv cs.AI· Xinbo Wang, Shian Jia, Ziyang Huang, Jing Cao, Mingli Song·· 11 小时前AI 评分31
LAPS：面向进程调度优化的轻量级自适应策略切换框架
Beyond the Monolithic Scheduler: Lightweight Adaptive Policy Switcher for Process Scheduling Optimization
AI 导读
LAPS 通过离线构建开销感知的策略映射表，在运行时仅对工作负载分类做机器学习推理，再以低成本查表在预定义专家策略间切换。在 Linux 默认调度器 EEVDF 上，LAPS 平均性能提升 8.91%，延迟敏感任务响应延迟最多降低 91.7%。代码已公开。
正文 · AI 翻译
摘要：现代操作系统进程调度器通常采用静态的“一刀切”设计，这不可避免地会在当代边缘系统高度动态且混合的工作负载下损害性能。转向动态自适应面临两个根本性挑战：特定场景的静态策略缺乏稳健的运行时适应性，而计算密集的 AI 辅助策略会给资源受限设备带来不可接受的执行开销。为了从结构上解决这一困境，我们提出了轻量级自适应策略切换器（LAPS），这是一个在预定义专家策略之间动态切换的框架，从而将高频上下文切换与低频策略转换解耦，并摊销转换开销。为消除高昂的在线计算，LAPS 通过离线准备阶段预先解决所有繁重的动态权衡，构建严格感知开销的策略映射表。在运行时，它执行一个智能体式的观察-推断-切换循环，将机器学习推理严格限制在工作负载分类上。因此，LAPS 仅通过低成本表查找将推断出的工作负载状态映射到最优专家策略，即可实现高效的动态自适应。实验表明，与默认的 Linux 调度器 EEVDF 相比，LAPS 在延迟敏感任务中平均性能提升 8.91%，响应延迟最高降低 91.7%。我们的结果表明，LAPS 在广泛的测试用例中优于基线，为构建更具响应性和智能化的操作系统提供了一条实用路径。我们的代码公开于 此 https URL。
| 学科： | 分布式、并行与集群计算（cs.DC）；人工智能（cs.AI） |
| 引用为： | arXiv:2511.11628 [cs.DC] |
| （或 arXiv:2511.11628v2 [cs.DC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2511.11628 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Shian Jia [查看电子邮件]
[v1]
2025年11月7日星期五 14:16:31 UTC（690 KB）
[v2]
2026年10月22日星期四 18:09:01 UTC（1,324 KB）
来源：arXiv cs.AI · arxiv.org