본 논문은 속도가 다른 프로세서에서 혼합 중요도(Mixed-criticality, MC) 시스템을 스케줄링하기 위한 새로운 강화 학습(Reinforcement Learning, RL) 기반 접근 방식을 제시합니다. 기존 연구 [1]을 기반으로, NP-hard 문제로 알려진 비선점 스케줄링 문제를 해결합니다. 마르코프 의사결정 과정(Markov Decision Process, MDP)으로 스케줄링 문제를 모델링하여, 실시간 MC 시스템에 대한 거의 최적의 스케줄을 생성할 수 있는 RL 에이전트를 개발했습니다. 개발된 RL 기반 스케줄러는 전체 시스템 성능을 유지하면서 고 중요도 작업을 우선적으로 처리합니다. 광범위한 실험을 통해 접근 방식의 확장성과 효과를 입증하였으며, 합성 데이터와 실제 데이터 100,000개 인스턴스에 걸쳐 다양한 시스템 조건에서 전체 작업 완료율 약 80%, 고 중요도 작업 완료율 약 85%를 달성했습니다. 안정적인 조건에서는 전체 작업 완료율 94%, 고 중요도 작업 완료율 93%를 달성했습니다. 이러한 결과는 RL 기반 스케줄러가 복잡하고 동적인 스케줄링 시나리오를 처리하는 데 상당한 개선을 제공하여 실시간 및 안전 중요 애플리케이션에서 잠재력을 보여줍니다.
