本文的核心价值在于，它没有继续从人工规则角度设计一种新的 CPU 调度算法，而是将 CPU 调度策略选择转化为一个数据驱动的分类问题。对于同一个任务集，系统分别运行不同调度算法，并以平均周转时间最小的算法作为标签。这样，模型学习的不是某一种固定调度规则，而是学习“在当前任务集特征下，哪一种调度策略更合适”。不过，该方法仍然存在一定局限。首先，当前数据主要来自仿真合成，而不是直接来自真实操作系统日志

本文的核心价值在于，它没有继续从人工规则角度设计一种新的 CPU 调度算法，而是将 CPU 调度策略选择转化为一个数据驱动的分类问题。对于同一个任务集，系统分别运行不同调度算法，并以平均周转时间最小的算法作为标签。这样，模型学习的不是某一种固定调度规则，而是学习“在当前任务集特征下，哪一种调度策略更合适”。不过，该方法仍然存在一定局限。首先，当前数据主要来自仿真合成，而不是直接来自真实操作系统日志