任务及中断负载下实时操作系统性能评估研究

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (17): 80-85.

任务及中断负载下实时操作系统性能评估研究

陈磊1，蔡铭2，史昆2

1.浙江大学医学院附属第一医院信息中心，杭州 310003
2.浙江大学计算机科学与技术学院，杭州 310027

出版日期:2014-09-01 发布日期:2014-09-12

RTOS kernel performance evaluation technology research based on loads of task and interrupt

CHEN Lei1, CAI Ming2, SHI Kun2

1.Center of Information, The First Affiliated Hospital, College of Medicine, Zhejiang University, Hangzhou 310003, China
2.College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China

Online:2014-09-01 Published:2014-09-12

摘要/Abstract

摘要： 针对现有实时操作系统Benchmark在任务及中断混合负载下的评估“失真”问题，从RTOS内核中断响应模型分析入手，提出一种面向任务及中断混合负载环境下的内核性能评估方法，并以Rhealstone和ThreadMetric两种典型的Benchmark为基础实验平台进行改造与修正，通过对VxWorks、RTEMS、uC/OSII等系统的性能评测，实验结果表明，该评估方法对任务及中断混合负载下的RTOS内核性能评估更具合理性。

关键词: 实时操作系统, 中断, 任务, 性能评估, 评估套件

Abstract: In order to improve the RTOS’s performance evaluation more accurately in the environment of both task and interrupt, the paper presents an interrupt response based model from the view of RTOS kernel. The evaluation on two typical Benchmark systems, namely Rhealstone and ThreadMetric, with three RTOSs including VxWorks, RTEMS and uC/OSII, shows that the new model can really obtain the more accurate evaluation under the circumstances of mixed load.

Key words: Real Time Operating System（RTOS）, interrupt, task, performance evaluation, Benchmark

陈磊1，蔡铭2，史昆2. 任务及中断负载下实时操作系统性能评估研究[J]. 计算机工程与应用, 2014, 50(17): 80-85.

CHEN Lei1, CAI Ming2, SHI Kun2. RTOS kernel performance evaluation technology research based on loads of task and interrupt[J]. Computer Engineering and Applications, 2014, 50(17): 80-85.

[1]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.
[2]	惠鏸，苟博，王滢. 窃听环境下轮流中继网络的安全传输方案[J]. 计算机工程与应用, 2021, 57(4): 77-82.
[3]	张驰，王宇新，冯振，郭禾. 双层虚拟化云架构下任务调度能耗优化算法[J]. 计算机工程与应用, 2021, 57(3): 103-111.
[4]	沈瑞琳，潘伟民，彭成，尹鹏博. 基于多任务学习的微博谣言检测方法[J]. 计算机工程与应用, 2021, 57(24): 192-197.
[5]	徐常转，吴云，蓝林，黄自萌. 融合注意力机制与多任务学习的DR分级模型[J]. 计算机工程与应用, 2021, 57(24): 212-218.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	吴昊，徐行健，孟繁军. 课程资源的融合知识图谱多任务特征推荐算法[J]. 计算机工程与应用, 2021, 57(21): 132-139.
[8]	黄梅根，刘佳乐，刘川. 基于BERT的中文多关系抽取方法研究[J]. 计算机工程与应用, 2021, 57(21): 234-240.
[9]	陈宝童，王丽清，蒋晓敏，姚寒冰. 群智协同任务分配研究综述[J]. 计算机工程与应用, 2021, 57(20): 1-12.
[10]	王师琦，曾庆宁，龙超，熊松龄，祁潇潇. 语音增强与检测的多任务学习方法研究[J]. 计算机工程与应用, 2021, 57(20): 197-202.
[11]	田倬璟，黄震春，张益农. 云计算环境任务调度方法研究综述[J]. 计算机工程与应用, 2021, 57(2): 1-11.
[12]	任君玉，祝长鸿，廖栋森，万海斌，覃团发. 雾计算辅助的无线体域网任务卸载方法[J]. 计算机工程与应用, 2021, 57(16): 108-115.
[13]	徐欣健，仇润鹤. 认知中继网络的物理层安全[J]. 计算机工程与应用, 2020, 56(6): 79-85.
[14]	高玮军，张春霞，杨杰，师阳. 考虑负载平衡的科学工作流容错聚类算法研究[J]. 计算机工程与应用, 2020, 56(23): 53-60.
[15]	向敏，戴柯宇，周恩，刘榆，雷儒杰. 面向物联网终端的任务相关性调度策略[J]. 计算机工程与应用, 2020, 56(23): 95-102.