Estudo e Proposta de Melhoria no Escalonamento de Tarefas Críticas com o uso de Hypervisor

Abstract

A consolidação de sistemas embarcados complexos via hypervisor, essencial em áreas como a automotiva, gera imprevisibilidade no acesso concorrente à memória, um gargalo crítico para o desempenho e segurança de tarefas de tempo real. Este trabalho investigou a viabilidade de usar Inteligência Artificial (IA) para prever padrões de acesso à memória, visando otimizar o escalonamento de tarefas críticas. A metodologia envolveu a execução de algoritmos concorrentes em uma plataforma Raspberry Pi com o hypervisor Bao e o sistema FreeRTOS. Utilizando a Unidade de Monitoramento de Performance (PMU), foram coletados dados de baixo nível, como acessos à memória e ciclos de processador, para análise. Os resultados demonstraram que os dados de acesso à memória não seguem um padrão consistente ou linear; o comportamento complexo do acesso concorrente inviabilizou o treinamento de um modelo de aprendizado de máquina eficaz. Conclui-se que a predição de acesso à memória nestes sistemas é uma tarefa mais complexa do que o esperado. Modelos de IA convencionais mostraram-se insuficientes para garantir a previsibilidade em sistemas críticos, indicando a necessidade de abordagens mais sofisticadas para o avanço da área.