Optimizing CPU Scheduling and Inter-VM Communication for Lightweight Virtualization using Reinforcement Learning

WenDou Cui

doi:10.1016/j.future.2026.108612

Optimizing CPU Scheduling and Inter-VM Communication for Lightweight Virtualization using Reinforcement Learning

2026-06-09

0

PRE

AI

DOI：10.1016/j.future.2026.108612

原文链接

原文求助

摘要

En 中文

近年来，轻量级虚拟化技术在物联网（IoT）和边缘计算部署中整合混合关键性系统（MCS）方面获得了显著关注。随着对计算效率和高实时响应性的需求日益增长，优化CPU调度和虚拟机间（VM）通信变得至关重要。传统调度器通常无法有效平衡动态工作负载，导致资源利用率低下和延迟升高。为克服这些限制，本文提出了一种虚拟化环境中CPU调度的综合优化框架。我们改进了原生的基于优先级的单调（PRM）调度器，并引入了一种基于上下文赌博机（CB）的强化学习（RL）算法，以实现智能vCPU资源管理，显著提升实时性能。我们还实现了自定义的CPU和内存利用率监控指令，以支持高效系统自省。整个框架已移植并验证在新兴的飞腾Pi（PhytiumPi）平台上。实验评估表明，我们增强的Xvisor（eXvisor）虚拟机监视器成功在飞腾Pi上引导多个客户操作系统，CoreMark测量的开销仅为约1.05%。基于CB的调度器不仅相较于原生的基于优先级的轮转（PRR）算法实现了高达96.3%的实时任务延迟降低，还将这些增益直接转化为卓越的通信性能。具体而言，它将远程处理器消息（RPMsg）吞吐量提升了48%（达到4.74 Mbps），并将虚拟网络延迟降低了14%（至0.392 ms），相比基线调度器。这些结果表明，我们的框架显著改善了实时性能和通信效率，为资源受限的IoT和边缘环境中的MCS提供了实用且高效的有效解决方案。

Optimizing CPU Scheduling and Inter-VM Communication for Lightweight Virtualization using Reinforcement Learning

摘要

期刊

机构

引用论文