The design space exploration (DSE) of fault-tolerant multiprocessor systems is very complex, as it contains three interacting NP-hard problems: 1) task hardening; 2) task mapping; and 3) task scheduling. In addition, replication-based task hardening can introduce new tasks, called replicas, into the system, enlarging the design space further. As a population-based global optimization algorithm, evolutionary algorithms (EAs) have been widely used to explore this huge design space over the last decade. However, as analyzed in this paper, the search space of previous works is highly redundant, resulting in poor efficiency and scalability. This paper proposes an efficient EA-based DSE method for the design of large-scale fault-tolerant multiprocessor systems. The main novelties of this paper include: 1) mapping exploration is explicitly separated, i.e., task mapping is optimized during the evolutionary search, while replica mapping is constructed heuristically according to the current co-synthesis state; 2) the design space of task hardening and task mapping are explored independently by a cooperative co-EA; and 3) as a complement to global search of EA, problem-specific local search operators are designed for both task hardening and task mapping, reducing the number of fitness evaluations required. Compared with the most relevant state-of-the-art method, the superiority of the proposed method is demonstrated using extensive experiments on a large set of benchmarks, e.g., $1.75\times \sim 2.50\times $ better results can be obtained on the benchmarks of 300 tasks and 30 processors.

中文翻译：

---

面向容错多处理器系统的高效设计空间探索

容错多处理器系统的设计空间探索 (DSE) 非常复杂，因为它包含三个相互作用的 NP-hard 问题：1) 任务强化；2) 任务映射；3) 任务调度。此外，基于复制的任务强化可以将新任务（称为副本）引入系统，进一步扩大设计空间。作为一种基于种群的全局优化算法，进化算法 (EA) 在过去十年中被广泛用于探索这个巨大的设计空间。然而，正如本文所分析的，以前工作的搜索空间是高度冗余的，导致效率和可扩展性较差。本文提出了一种基于 EA 的高效 DSE 方法，用于设计大规模容错多处理器系统。本文的主要创新点包括：1）映射探索被明确分离，即 ，任务映射在进化搜索过程中被优化，而副本映射是根据当前的协同合成状态启发式构建的；2) 任务强化和任务映射的设计空间由一个协作的 co-EA 独立探索；3) 作为对 EA 全局搜索的补充，针对特定问题的局部搜索算子被设计用于任务强化和任务映射，减少了所需的适应度评估数量。与最相关的最先进的方法相比，所提出的方法的优越性通过在大量基准上的大量实验得到证明，例如，$1.75\times\sim 2.50\times$ 可以在300 个任务和 30 个处理器的基准测试。而副本映射是根据当前的协同合成状态启发式构建的；2) 任务强化和任务映射的设计空间由一个协作的 co-EA 独立探索；3) 作为对 EA 全局搜索的补充，针对特定问题的局部搜索算子被设计用于任务强化和任务映射，减少了所需的适应度评估数量。与最相关的最先进的方法相比，所提出的方法的优越性通过在大量基准上的大量实验得到证明，例如，$1.75\times\sim 2.50\times$ 可以在300 个任务和 30 个处理器的基准测试。而副本映射是根据当前的协同合成状态启发式构建的；2) 任务强化和任务映射的设计空间由一个协作的 co-EA 独立探索；3) 作为对 EA 全局搜索的补充，针对特定问题的局部搜索算子被设计用于任务强化和任务映射，减少了所需的适应度评估数量。与最相关的最先进的方法相比，所提出的方法的优越性通过在大量基准上的大量实验得到证明，例如，$1.75\times\sim 2.50\times$ 可以在300 个任务和 30 个处理器的基准测试。3) 作为对 EA 全局搜索的补充，针对特定问题的局部搜索算子被设计用于任务强化和任务映射，减少了所需的适应度评估数量。与最相关的最先进的方法相比，所提出的方法的优越性通过在大量基准上的大量实验得到证明，例如，$1.75\times\sim 2.50\times$ 可以在300 个任务和 30 个处理器的基准测试。3) 作为对 EA 全局搜索的补充，针对特定问题的局部搜索算子被设计用于任务强化和任务映射，减少了所需的适应度评估数量。与最相关的最先进的方法相比，所提出的方法的优越性通过在大量基准上的大量实验得到证明，例如，$1.75\times\sim 2.50\times$ 可以在300 个任务和 30 个处理器的基准测试。