Alshaer, SamerSamerAlshaer2025-08-282025-08-282025-08-18https://dspace.ub.uni-siegen.de/handle/ubsi/7100Adaptation can be achieved by adjusting schedules to change the distribution of tasks among the available resources, avoiding failed resources, or accounting for slack within schedules. Metascheduling can be utilised in Time-Triggered Systems (TTS) to realise adaptation. However, metaschedulers encounter the problems of state explosion, storage limitations, and runtime issues when dealing with a high number of tasks. The objective of this thesis is to introduce a metascheduling model that utilises Machine Learning (ML) to generate modified schedules in real-time. Consequently, there is no longer a need to store the extensive collections of schedules produced by a meta-scheduler. Furthermore, real-time adaptation is enhanced by producing compact, compatible models for run-time execution. This thesis conducts a study, analysis, modelling, comparison, and implementation of Machine Learning (ML) based meta-scheduling algorithms focusing on multi-core safety-critical TTS. The motivation for adaptation in TTS is to achieve enhanced energy efficiency, perform fault recovery, and adjust to varying environmental conditions. This study examined different types of machine learning models. The models used in this study include Graph Neural Networks (GNN), Encoder/Decoder Neural Networks (E/D NN), Artificial Neural Networks (ANN), Random Forest Classifiers (RFC), and Reinforcement Learning (RL) algorithms. The performance and complexity of the previously mentioned ML algorithms were tested in assigning temporal and spatial allocation aspects of the meta-scheduling problem. Additionally, comparisons were made with heuristic algorithms commonly used in literature for the purpose of comparison. The significance of this study is that the suggested method offers a way to balance the storage capacity of the multi-core safety-critical TTS with the number of schedules for each adaptation scenario. This is achieved by utilising a conventional meta-scheduler with a Genetic Algorithm (GA) to generate appropriate datasets for training. Three datasets were primarily produced with an emphasis on workload (operation load across processing units), makespan, and energy usage. The suggested ML architecture has the capability to handle a wide range of scenarios without requiring the storage of schedules. In addition to increasing adaptation capacity, as ML models are capable of adjusting to new situations that were not part of the training dataset. Moreover, permitting online operation (real-time execution) of the RL algorithm provides an extra layer for adaptation as it continues to enhance the decision making process of allocating resources with time. The thesis is part of a research project that targets a solution to the conventional metaschedulers' problems: state-space explosion and runtime inefficiency by implementing the previously mentioned ML models in a hardware simulated environment designed to mimic the hardware difficulties of a multi-core safety-critical TTS. It compares the performance parameters of several algorithms as well, enabling the selection of the ideal model for each certain case depending on the required performance and hardware resource consumption. The results indicated that the GNN-based model exhibited superior accuracy and performance in predicting temporal allocations. The RL-based approach demonstrated remarkable adaptability and continuous improvement in real-time scheduling scenarios. The ANN and RFC models also performed robustly, offering substantial computational efficiency and reduced energy consumption compared to traditional heuristic methods. The integration of the GA for dataset generation enhanced the training process, resulting in highly optimised and reliable models. Additionally, the experimental results highlighted that the ML models effectively balance the trade-offs between workload, makespan, and energy consumption, providing a versatile solution adaptable to various operational demands. Overall, the proposed framework not only addresses the limitations of traditional metaschedulers but also sets a new standard for adaptive, efficient, and scalable scheduling in multi-core safety-critical TTS.Adaptivität in eingebetteten Systemen kann durch die Anpassung von Zeitplänen erreicht werden, um die Verteilung der Tasks auf die verfügbaren Ressourcen zu ändern, ausgefallene Ressourcen zu vermeiden oder Lücken in den Zeitplänen zu berücksichtigen. Metascheduling kann in zeitgesteuerten Systemen (Time-Triggered Systems, TTS) eingesetzt werden, um die Adaptivität zu realisieren. Allerdings stoßen Metascheduler bei einer großen Anzahl von Aufgaben auf das Problem der Zustandsexplosion, der Speicherbegrenzung und der Laufzeitprobleme. Ziel dieser Arbeit ist es, ein Metascheduling-Modell einzuführen, das maschinelles Lernen (ML) einsetzt, um modifizierte Zeitpläne in Echtzeit zu generieren. Folglich besteht keine Notwendigkeit mehr, die umfangreichen Sammlungen von Zeitplänen zu speichern, die von einem Meta-Scheduler erzeugt werden. Außerdem wird die Echtzeitanpassung durch die Erstellung kompakter, kompatibler Modelle für die Laufzeitausführung verbessert. In dieser Arbeit werden auf maschinellem Lernen (ML) basierende Meta-Scheduling-Algorithmen untersucht, analysiert, modelliert, verglichen und implementiert, wobei der Schwerpunkt auf sicherheitskritischen Multicore-TTS liegt. Die Motivation für die Anpassung in TTS besteht darin, eine verbesserte Energieeffizienz zu erreichen, eine Fehlerbehebung durchzuführen und sich an unterschiedliche Umgebungsbedingungen anzupassen. wurden verschiedene Arten maschineller Lernmodelle untersucht. Zu den in dieser Studie verwendeten Modellen gehören Graph Neural Networks (GNN), Encoder/Decoder Neural Networks (E/D NN), Artificial Neural Networks (ANN), Random Forest Classifiers (RFC) und Reinforcement Learning (RL) Algorithmen. Die Leistung und Komplexität der zuvor genannten ML-Algorithmen wurden bei der Zuweisung von zeitlichen und räumlichen Zuordnungsaspekten des Meta-Scheduling-Problems getestet. Darüber hinaus wurden Vergleiche mit heuristischen Algorithmen angestellt, die in der Literatur üblicherweise zum Vergleich verwendet werden. Die Bedeutung dieser Studie liegt darin, dass die vorgeschlagene Methode eine Möglichkeit entsteht, die Speicherkapazität des sicherheitskritischen Multi-Core-TTS mit der Anzahl der Zeitpläne für jedes Anpassungsszenario in Einklang zu bringen. Dies wird erreicht, indem ein konventioneller Meta-Scheduler mit einem genetischen Algorithmus (GA) verwendet wird, um geeignete Datensätze für das Training zu erzeugen. In erster Linie wurden drei Datensätze erstellt, wobei der Schwerpunkt auf der Arbeitslast (Betriebslast über die Verarbeitungseinheiten), der Zeitspanne und dem Energieverbrauch lag. Die vorgeschlagene ML-Architektur ist in der Lage, ein breites Spektrum von Szenarien zu bewältigen, ohne dass die Speicherung von Zeitplänen erforderlich ist. Zusätzlich zur Erhöhung der Anpassungsfähigkeit sind ML-Modelle in der Lage, sich an neue Situationen anzupassen, die nicht Teil des Trainingsdatensatzes waren. Darüber hinaus bietet die Möglichkeit, den Algorithmus des Reinforcement Learning (RL) online (in Echtzeit) auszuführen, eine zusätzliche Ebene für die Anpassung, da der Entscheidungsprozess der Ressourcenzuweisung mit der Zeit verbessert wird. Die Dissertation ist Teil eines Forschungsprojekts, das eine Lösung für die Probleme herkömmlicher Metascheduler anstrebt: Explosion des Zustandsraums und Laufzeitineffizienz durch die Implementierung der zuvor erwähnten ML-Modelle in einer Hardware-Simulationsumgebung, die die Hardware-Schwierigkeiten eines sicherheitskritischen Multicore-TTS nachahmen soll. Es werden auch die Leistungsparameter verschiedener Algorithmen verglichen, was die Auswahl des idealen Modells für jeden Fall in Abhängigkeit von der erforderlichen Leistung und dem Verbrauch von Hardwareressourcen ermöglicht. Die Ergebnisse zeigen, dass das GNN-basierte Modell eine höhere Genauigkeit und Leistung bei der Vorhersage der zeitlichen Zuweisungen aufweist. Der RL-basierte Ansatz zeigte eine bemerkenswerte Anpassungsfähigkeit und kontinuierliche Verbesserung in Echtzeit-Planungsszenarien. Die ANN- und RFC-Modelle zeigten ebenfalls eine robuste Leistung und boten im Vergleich zu den traditionellen heuristischen Methoden eine beträchtliche Berechnungseffizienz und einen geringeren Energieverbrauch. Die Integration von GA für die Datensatzerstellung verbesserte den Trainingsprozess und führte zu hoch optimierten und zuverlässigen Modellen. Darüber hinaus zeigten die experimentellen Ergebnisse, dass die ML-Modelle die Kompromisse zwischen Arbeitslast, Zeitspanne und Energieverbrauch effektiv ausgleichen können und eine vielseitige Lösung bieten, die sich an verschiedene operationale Anforderungen anpassen lässt. Insgesamt überwinden die vorgeschlagenen Techniken nicht nur die Einschränkungen traditioneller Metascheduler, sondern setzten auch einen neuen Standard für adaptives, effizientes und skalierbares Scheduling in sicherheitskritischen Multicore-TTS.enAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/004 InformatikMachine LearningAdaptive SchedulingMetaschedulingReinforcement learningGraph Neural NetworksMaschinelles LernenAdaptive PlanungMetaplanungVerstärkendes LernenGraphische neuronale NetzeDoctoral ThesisRoman Obermaisserurn:nbn:de:hbz:467-71001