王静，陈岚，张贺，王海永

(1 中国科学院微电子研究所 三维及纳米集成电路设计自动化技术北京市重点实验室，北京 100029；2 中国科学院大学，北京 100049) (2019年12月12日收稿； 2020年1月21日收修改稿)

随着集成电路的发展进入到纳米级，电子设计自动化(electronic design automation, EDA)工具对CPU和内存等资源的要求越来越高。传统的单机平台已不能满足EDA仿真任务的高复杂性、高密度计算需求[1]。机器学习和大数据的发展也促进开发人员研究EDA工具并行仿真算法及架构[2-4]，减少集成电路设计周期，改善用户体验。需要考虑将EDA并行仿真任务放在高性能集群上，借用集群上的资源快速完成仿真。因此，本文研究适用于EDA并行仿真任务的LDRF(dominant resource fairness allocation algorithm considering license)调度算法。

单一资源调度已研究成熟，比如max-min fairness，核心思想是在多用户的前提下，最大化每个用户的最小资源需求，已经在很多工程中得到应用，比如网络队列中的round-robin算法。而EDA仿真任务对资源需求具有多样性，可分为CPU密集型、内存密集型及IO密集型等，考虑多种资源公平分配时，占优资源公平分配(dominant resource fairness, DRF)[5]是基于“主导份额”的max-min fairness公平调度算法，已经得到很多研究及改进。如文献[6]提出异构环境下的占优资源公平分配(DRF in heterogeneous cloud，DRFH)算法，将DRF运用于异构云系统；文献[7]提出用户任务对资源的需求随时间变化的算法；文献[8]在DRF思想基础上提出动态情况下的分配算法即动态占优资源公平分配机制(dynamic dominant resource fairness mechanism, DDRF)。

综上所述，多资源调度的研究已经取得一定进展[9-13]。由于EDA任务必须获得license授权才能执行，而license比较昂贵且数量有限，如……