随着机器学习、多媒体等技术在新兴的自动驾驶和边缘计算领域的广泛应用,应用程序对计算能力的需求越来越强烈。GPU广泛的普及极大缓解后摩尔定律时代中应用程序日渐增长的计算离需求和缓慢发展的计算机硬件之间的冲突。诸如自动驾驶等实时系统中也开始大量使用GPU作为协处理器增加计算效率,因此GPU上实时任务调度研究受到工业界和学术界关注。尽管NVIDIA公司在帕斯卡架构以及之后的架构提供了中断功能,但是并不支持基于优先级的调度。此外GPU上传统的最早截止时间优先(Earliest Deadline First,EDF)调度并未考虑到GPU中单个流处理器内部的资源利用情况,往往高优先级任务长时间独占GPU,对整个系统调度的性能产生影响。而GPU中单个流处理器上能够并行运行多个应用的机制给增加GPU上实时调度效率提供了机会。本文探索了基于空间共享的EDF调度策略,设计了自动化地以EDF为规则的空间共享任务调度框架。通过使用马尔科夫链,利用应用的访存指令比例和访存延迟,静态地计算两个并行执行的应用在使用不同资源时的相互影响,结合实际测试得到最坏执行IPC(Instruction Per Clock,即CPU每一时钟周期内所执行的指令多少),获得并行执行情况下两个应用各自的估计IPC。并在动态运行阶段使用这些信息,判断不同的应用在占用不同的GPU资源的情况下,其剩余的任务量能否在占用如此多资源的情况下在截止时间之前完成,并在保证任务截止时间完成的情况下通过并行执行的方式提高GPU的利用效率。实验结果表明,对于不同类型应用组合成的各种工作集,本文的方法相比于传统的以EDF为基础的抢占式调度其调度率最大增高了 24.5%(TX2)和22.6%(Xavier)。同时本文框架的调度开销低于总体运行时间的0.5%。