星载数传系统及星载数传系统的任务调度优化方法

技术领域

本发明涉及星载数传系统及星载数传系统的任务调度优化方法，属于航天航空星载电 子系统的数据处理技术领域。

背景技术

高分辨率对地观测应用卫星需要强大的计算、数据处理以及自主运行能力，必须能够 在轨进行如自动辨云、图像匹配、目标识别等大规模图像数据(GB级别)处理。这就对星 载电子系统的数据处理能力提出了很高要求，而传统星载计算机(如TS695、3803等)的计 算能力明显不能满足其要求，需要增加高性能协处理单元。基于FPGA的可重构协处理 器可以将算法在硬件上并行展开，使其突破时钟频率的限制，进而获得远远超出通用处理 器的计算能力，可以弥补星载计算机大规模图像数据处理能力的不足。但FPGA所能容 纳的算法规模受到目标器件硬件资源的限制，FPGA进行重构的时间开销除了重构配置时 间外，还包括FPGA与存储器之间的数据吞吐时间，在极限情况下重构导致的额外时间 开销甚至能占整个计算流程时间的95%以上。不合理的任务调度策略将导致FPGA在执 行计算任务时频繁重构，使得整体效率急剧下降。

发明内容

本发明为了解决现有的任务调度方法受到器件硬件资源的限制，存在系统的工作效率 低和数据处理规模受限的问题，从而提出了星载数传系统及星载数传系统的任务调度优化 方法。

星载数传系统包括高分辨率CCD相机、大容量固态存储器、可重构协处理器、调制 解调器和地面接收站，

高分辨率CCD相机的图像输出端连接大容量固态存储器的图像输入端，

大容量固态存储器的图像数据输出端连接可重构协处理器的图像数据输入端，

可重构协处理器的图像数据输出端连接调制解调器的图像数据输入端，

调制解调器通过数据传输天线将图像数据发送至地面接收站。

可重构协处理器包括处理器芯片、FPGA芯片和高速闪存芯片，

FPGA芯片的图像数据输入端连接大容量固态存储器的图像数据输出端，

FPGA芯片的临时数据端连接高速闪存芯片的临时数据端，

FPGA芯片的图像数据控制端连接处理器芯片的图像数据控制端，

处理器芯片的图像数据输出端连接调制解调器的图像数据输入端。

处理器芯片采用的芯片型号为：TSC695。

FPGA芯片采用的芯片型号为：EP2C5Q208C8N。

所述的星载数传系统的任务调度优化方法

包括下述步骤：

步骤一、初始化，FPGA芯片根据图像处理的算法流程生成随机调度种群ADAM(t)， 进化代数t=0，执行步骤二；

其中,t为自然数，t≤N，N为正整数，表示最大进化代数，

步骤二、根据图像处理的算法流程调度种群ADAM(t)，采用交叉算子生成种群EVA(t)， 执行步骤三；

步骤三、采用局部搜索方法根据随机调度种群ADAM(t)和种群EVA(t)生成图像处理的 方法流程种群GAIN(t)，执行步骤四；

步骤四、根据随机调度种群ADAM(t)、种群EVA(t)和方法流程种群GAIN(t)，采用选 择算子选取目标图像处理的方法流程的最优集合生成ADAM(t+1)，即图像方法调度优化 结果，执行步骤五；

步骤五、判断t是否小于等于N，若是执行步骤七；若否执行步骤六；

步骤六、t=t+1,执行步骤二；

步骤七、结束，将最终的图像方法调度优化结果生成FPGA配置文件，对星载数传 系统进行任务调度控制。

本发明星载数传系统通过可重构协处理器实现了该系统的工作效率和数据处理规模； 采用的星载数传系统的任务调度优化方法减少了FPGA的重构时间开销，提高可重构协 处理器工作效率，相比现有技术工作效率提高了30%，使重构配置时间的优化达到了很 好的效果，提高了FPGA数据处理规模，对星载数传系统进行任务调度控制能力有了很 大提升。

附图说明

图1为本发明所述的星载数传系统的结构示意图；

图2为星载数传系统的任务调度优化方法的方法流程图。

具体实施方式

具体实施方式一、结合图1具体说明本实施方式，本实施方式所述的星载数传系统包 括高分辨率CCD相机1、大容量固态存储器2、可重构协处理器3、调制解调器4和地面 接收站5，

高分辨率CCD相机1的图像输出端连接大容量固态存储器2的图像输入端，

大容量固态存储器2的图像数据输出端连接可重构协处理器3的图像数据输入端，

可重构协处理器3的图像数据输出端连接调制解调器4的图像数据输入端，

调制解调器4通过数据传输天线将图像数据发送至地面接收站5。

本实施方式中所述的高分辨率CCD相机1是遥感卫星的主载荷，为资源勘察、环境 监测、城市规划、防震减灾和空间科学试验服务，传回的图像清晰，层次丰富，信噪比高， 动态范围宽。采用了大F数、长焦距的折轴三反光学系统，可以满足高分辨率空间相机 对地观测的使用要求。

大容量固态存储器2是卫星信息获取、信息融合、信息传输和信息处理的参数和数据 的存储设备，该信息存储技术具有大容量、高密度、低功耗、低成本的特点。

星上在轨图像数据处理，由可重构协处理器3负责，而自动辨云、目标识别等功能要 求其具备强大的图像数据处理能力。

具体实施方式二、本实施方式与具体实施方式一所述的星载数传系统的区别为，可重 构协处理器3包括处理器芯片3-1、FPGA芯片3-2和高速闪存芯片3-3，

FPGA芯片3-2的图像数据输入端连接大容量固态存储器2的图像数据输出端，

FPGA芯片3-2的临时数据端连接高速闪存芯片3-3的临时数据端，

FPGA芯片3-2的图像数据控制端连接处理器芯片3-1的图像数据控制端，

处理器芯片3-1的图像数据输出端连接调制解调器4的图像数据输入端。

本实施方式所述可重构协处理器3具有很强的并行计算能力，结合了处理器芯片3-1 的浮点运算单元和检错、纠错模块，能够弥补处理器芯片3-1等通用算法处理器对大规模 图像处理能力的不足。

FPGA芯片3-2用来对星载电子系统的数据进行处理，可以将算法在硬件上并行展开， 使其突破时钟频率的限制，进而获得远远超出通用处理器的计算能力，可以弥补星载计算 机大规模图像数据处理能力的不足。

具体实施方式三、本实施方式与具体实施方式二所述的星载数传系统的区别为，处理 器芯片3-1采用的芯片型号为：TSC695。

具体实施方式四、本实施方式与具体实施方式二所述的星载数传系统的区别为， FPGA芯片3-2采用的芯片型号为：EP2C5Q208C8N。

具体实施方式五、基于具体实施方式二星载数传系统的任务调度优化方法，它包括下 述步骤：

步骤一、初始化，FPGA芯片3-2根据图像处理的算法流程生成随机调度种群 ADAM(t)，进化代数t=0，执行步骤二；

其中,t为自然数，t≤N，N为正整数，表示最大进化代数，

步骤二、根据图像处理的算法流程调度种群ADAM(t)，采用交叉算子生成种群EVA(t)， 执行步骤三；

步骤三、采用局部搜索方法根据随机调度种群ADAM(t)和种群EVA(t)生成图像处理的 方法流程种群GAIN(t)，执行步骤四；

步骤四、根据随机调度种群ADAM(t)、种群EVA(t)和方法流程种群GAIN(t)，采用选 择算子选取目标图像处理的方法流程的最优集合生成ADAM(t+1)，即图像方法调度优化 结果，执行步骤五；

步骤五、判断t是否小于等于N，若是执行步骤七；若否执行步骤六；

步骤六、t=t+1,执行步骤二；

步骤七、结束，将最终的图像方法调度优化结果生成FPGA配置文件，对星载数传 系统进行任务调度控制，将生成FPGA配置文件存储在处理器芯片3-1的外部存储器中， 待其在轨调用。

现有任务调度优化算法方法如下：

设整个任务流程共有m个有效配置，定义第i个有效配置的工作周期为Ti，tci为有 效工作时间，而tri、tii与toi之和为重构时间开销。FPGA芯片3-2的任务调度优化问题 等价为如下描述：在满足任务依赖性约束和FPGA芯片3-2资源约束的前提下，通过确定 任务流中所有任务节点的有效配置归属，使得f(x)最小。即：

$\min f\left(x\right)=\left\{\underset{i=1}{\overset{m}{\Sigma }}(T_i-{\mathrm{tc}}_i)\right\}=\underset{i=1}{\overset{m}{\Sigma }}({\mathrm{tr}}_i+{\mathrm{ti}}_i+{\mathrm{to}}_i)---\left(1\right)$

在整体任务拆分为n个子任务后，利用DAG：G=(V,A)进行描述，

其中，G包含了代表任务节点集合V和代表任务前后约束有向边的集合A。V包含n 个节点，每个节点对应FPGA芯片3-2资源占用向量M，Mi表示节点Vi的资源占用量。 DAG为有向无圈图，全称为：Directed Acyclic Graphs，

DAG的边描述了任务之间的数据流向，定义数据流矩阵Dn×n，矩阵元素D(i,j)表示 节点i到节点j传递的数据量。

当任务i与任务j存在直接关联性D(i,j)>0；

当两个任务之间不存在直接关联性时D(i,j)=0。

没有任何父节点的节点和没有任何子节点的节点分别为DAG的输入和输出任务，其 中输入任务的输入数据和输出任务的输出数据无法通过任务调度优化，在模型中不予考 虑。

FPGA芯片3-2的任务调度等同于对DAG进行割集划分，每个割集包含若干任务节 点，对应FPGA一个配置。定义配置向量C，C中元素Ci表示Vi对应的配置编号，满足：

m=max(C_i,i∈[1,n]) m∈[1,n]

(2)

基于DAG的割集满足以下约束时，为有效割集，每个有效割集对应一个FPGA芯片 3-2有效配置：

1．资源约束：同一割集所有节点所需的可重构资源之和，小于等于FPGA资源量。

2．依赖性约束：当前割集中任一节点的先辈节点，不能属于后继配置。

3．唯一性约束：DAG中每个节点只能属于唯一的割集。

4．完备性约束：DAG中不存在没有划分的节点。

综上所述FPGA芯片3-2任务调度问题可转化为DAG割集优化问题，数学描述如下：

$\left(\begin{array}{c}\min f\left(x\right)=\underset{i=1}{\overset{m}{\Sigma }}({\mathrm{tr}}_i+{\mathrm{ti}}_i+{\mathrm{to}}_i)\\ \underset{i=1}{\overset{n}{\Sigma }}(C_i==j)·M_i\le \mathrm{FPGA}\_\mathrm{resource},j\in [1,m]\\ \mathrm{if}(D(i,j)\ne 0)\\ C_i\le C_j,i\in [1,n]j\in [1,n]\end{array}\right)---\left(3\right)$

式(3)所描述的问题模型具有非线性和约束复杂的特点。DAG：G=(V,A)中因为任务依 赖性的存在，所以常规的实数或二进制编码会产生大量不符合规则的个体基因，进而导致 算法无法收敛。

本实施方式采用遗传算法(GA:Genetic Algorithm)不要求目标函数具有连续性和可微 性，对于复杂问题有良好的求解效果，因此本发明选择GA算法针对任务流的相关性约束 设计了优先级遗传编码，为了保证基因编码能够符合数据流向A的约束，需在在编码规 则中附加节点的依赖性信息。针对FPGA芯片3-2资源约束设计了与进化代数相关的惩罚 函数，为了使算法在求解时沿正确的方向优化，定义超出约束的FPGA资源消耗为惩罚 函数p(x)，种群中惩罚函数最大值为pmax。

可重构协处理器3进行高性能计算的原理是将算法在FPGA芯片3-2中并行展开，同 一时刻FPGA芯片3-2能容纳的算法规模受到可编程硬件资源总量的限制。但是目前的信 息生成系统所执行的算法规模通常较为庞大，对重构数据吞吐时间的优化需要考虑在轨任 务的依赖性和数据关联性，任务调度优化方法利用有向无圈图可以对这些特性进行很好的 描述，考虑FPGA芯片3-2的资源利用效率、重构时间开销、任务间的依赖性和数据传递 开销的基础上，达到了优化的目的。

本发明针对随着FPGA数据处理规模的增大，从而导致整体效率急剧下降问题，考 虑在轨任务的依赖性和数据关联性，提出利用建立星上任务流数学模型，根据遗传算法的 星载可重构协处理器任务调度优化方法。该方法减少了FPGA的重构时间开销，提高可 重构协处理器工作效率，弥补了单纯对重构配置时间的优化无法取得很好效果，而导致的 临时数据吞吐时间占了重构时间开销的主要部分，提高了FPGA数据处理规模，使高分 辨率卫星任务的调度能力有了很大提升。