论文译读 —— STUN: Reinforcement-Learning-Based Optimization of Kernel Scheduler Parameters 5（4）

接前一篇文章：论文译读 —— STUN: Reinforcement-Learning-Based Optimization of Kernel Scheduler Parameters 5（3）

5. 评估

5.4 实际工作负载分析

为了验证在实际工作负载下的性能，我们在44核机器中使用STUN优化了人脸检测程序，并对于默认和优化的参数值分析了视频的人脸识别时间和每秒帧数。

STUN获得的最佳参数值如下：

• Scheduler Policy：Normal；
• kernel.sched_latency_ns = 1000,000；
• kernel.sched_wakeup_granularity_ns = 680,100,000。

对比前述值：

• Scheduler Policy：Normal；
• kernel.sched_latency_ns = 20,100,000；
• kernel.sched_wakeup_granularity_ns = 190,000,000。

应用最优值后，人脸检测程序对实际图像的结果如图8所示。

总执行时间从58.998秒减少到48.198秒，减少了18.3%，每秒帧数从16.95秒增加到20.748秒，增加了22.4%。