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%。