실행시간 할당 장치의 입력부가 기 수집된 학습용 태스크에 포함되어 그룹핑된 복수의 학습용 시스템 콜을 입력받는 단계;학습부가 상기 그룹핑된 학습용 시스템 콜을 예측 모델에 적용하여 상기 그룹핑된 학습용 시스템 콜을 기초로 상기 학습용 태스크의 진행도를 출력하도록 학습하는 단계;상기 입력부가 기 지정된 높은 중요도 태스크에 포함되어 그룹핑된 시스템 콜을 입력받는 단계;예측부가 상기 그룹핑된 시스템 콜을 기 학습된 예측 모델에 적용하여 상기 그룹핑된 시스템 콜을 기초로 상기 기 지정된 높은 중요도 태스크의 진행도를 예측하는 단계;산출부가 상기 기 지정된 높은 중요도 태스크의 진행도를 기초로 상기 기 지정된 높은 중요도 태스크의 수행에 있어서 추가로 필요한 실행시간을 산출하는 단계;할당부가 상기 기 지정된 높은 중요도 태스크의 진행도에 상기 추가로 필요한 실행시간을 할당하는 단계; 및 상기 할당부가 상기 기 지정된 높은 중요도 태스크의 수행에 대하여, 상기 추가로 필요한 실행시간에 대응하는 기 지정된 낮은 중요도 태스크를 드랍하는 단계;를 포함하고,상기 기 지정된 높은 중요도 태스크 및 상기 기 지정된 낮은 중요도 태스크는 상기 시스템 콜을 입력하는 시스템의 설계 단계에서 사용자에 의해 미리 정해진 후 입력받는 태스크인,실행시간 할당 방법.

제1항에 있어서,상기 그룹핑된 복수의 학습용 시스템 콜을 입력받는 단계는, 상기 복수의 학습용 시스템 콜을 미리 설정된 개수에 대응하여 순차적으로 그룹핑하는 것을 특징으로 하는 실행시간 할당 방법.

제2항에 있어서,상기 그룹핑된 복수의 학습용 시스템 콜을 입력받는 단계는,상기 학습용 태스크에 포함된 복수의 학습용 시스템 콜 중에서 연속적으로 위치한 동일 종류의 시스템 콜이 가장 많은 개수를 기초로 상기 복수의 학습용 시스템 콜을 순차적으로 그룹핑하는 것을 특징으로 하는 실행시간 할당 방법.

제1항에 있어서,상기 학습용 태스크의 진행도를 출력하도록 학습하는 단계는,경량화된 인공신경망을 기반으로 하여 학습된 상기 예측 모델을 이용하여 상기 학습용 태스크의 진행도를 출력하는 것을 특징으로 하는 실행시간 할당 방법.

제4항에 있어서,상기 학습용 태스크의 진행도를 출력하도록 학습하는 단계는,상기 그룹핑된 학습용 시스템 콜을 입력데이터로 설정하고, 상기 학습용 태스크의 진행도를 출력데이터로 설정하여 상기 예측 모델을 학습하되,상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도를 비교하는 단계를 포함하는 것을 특징으로 하는 실행시간 할당 방법.

제5항에 있어서,상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도를 비교하는 단계는, 상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도 사이의 오차 값이 기준 값 미만인지 여부를 판단하는 것을 포함하며,상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도 사이의 오차 값이 기준 값이상인 경우, 상기 예측 모델을 학습시키는 과정을 반복적으로 수행하는 것을 특징으로 하는 실행시간 할당 방법.

제1항에 있어서,상기 학습용 태스크의 진행도를 출력하도록 학습하는 단계는,상기 학습용 태스크에 포함된 상기 그룹핑된 학습용 시스템 콜의 실행시간을 기반으로 하여 학습된 상기 예측 모델을 이용하여 상기 학습용 태스크의 진행도를 출력하는 것을 특징으로 하는 실행시간 할당 방법.

제7항에 있어서,상기 학습용 태스크의 진행도를 출력하도록 학습하는 단계는,제1 잡(Job)부터 제N 잡(Job)까지 각각에 포함된 상기 그룹핑된 학습용 시스템 콜의 실행시간에 대하여 평균값을 연산하고, 상기 연산된 평균값을 기초로 상기 예측 모델을 학습시키는 것을 특징으로 하는 실행시간 할당 방법.

제8항에 있어서,상기 제1 잡(Job)부터 제N 잡(Job)은,시스템 콜로 구성되어 태스크에 포함되는 것을 특징으로 하는 실행시간 할당 방법.

제1항에 있어서,상기 추가로 필요한 실행시간을 산출하는 단계는, 상기 기 지정된 높은 중요도 태스크의 진행도를 이용하여 다음의 수학식을 통해 추가로 필요한 실행시간을 산출하는 것을 특징으로 하는 실행시간 할당 방법.

기 수집된 학습용 태스크에 포함되어 그룹핑된 복수의 학습용 시스템 콜을 입력받고, 기 지정된 높은 중요도 태스크에 포함되어 그룹핑된 시스템 콜을 입력받는 입력부;상기 그룹핑된 학습용 시스템 콜을 예측 모델에 적용하여 상기 그룹핑된 학습용 시스템 콜을 기초로 상기 학습용 태스크의 진행도를 출력하도록 학습하는 학습부, 및 상기 그룹핑된 시스템 콜을 기 학습된 예측 모델에 적용하여 상기 그룹핑된 시스템 콜을 기초로 상기 기 지정된 높은 중요도 태스크의 진행도를 예측하는 예측부를 포함하는 분석부와, 상기 기 지정된 높은 중요도 태스크의 진행도를 기초로 상기 기 지정된 높은 중요도 태스크의 수행에 있어서 추가로 필요한 실행시간을 산출하는 산출부와, 상기 기 지정된 높은 중요도 태스크의 진행도에 상기 추가로 필요한 실행시간을 할당하고, 상기 기 지정된 높은 중요도 태스크의 수행에 대하여, 상기 추가로 필요한 실행시간에 대응하는 기 지정된 낮은 중요도 태스크를 드랍하는 할당부를 포함하는 프로세서;를 포함하고,상기 기 지정된 높은 중요도 태스크 및 상기 기 지정된 낮은 중요도 태스크는 상기 시스템 콜을 입력하는 시스템의 설계 단계에서 사용자에 의해 미리 정해진 후 입력받는 태스크인,실행시간 할당 장치.

제11항에 있어서,상기 입력부는, 상기 복수의 학습용 시스템 콜을 미리 설정된 개수에 대응하여 순차적으로 그룹핑하는 것을 특징으로 하는 실행시간 할당 장치.

제12항에 있어서,상기 입력부는, 상기 학습용 태스크에 포함된 복수의 학습용 시스템 콜 중에서 연속적으로 위치한 동일 종류의 시스템 콜이 가장 많은 개수를 기초로 상기 복수의 학습용 시스템 콜을 순차적으로 그룹핑하는 것을 특징으로 하는 실행시간 할당 장치.

제11항에 있어서,상기 학습부는, 경량화된 인공신경망을 기반으로 하여 학습된 상기 예측 모델을 이용하여 상기 학습용 태스크의 진행도를 출력하는 것을 특징으로 하는 실행시간 할당 장치.

제14항에 있어서,상기 학습부는, 상기 그룹핑된 학습용 시스템 콜을 입력데이터로 설정하고, 상기 학습용 태스크의 진행도를 출력데이터로 설정하여 상기 예측 모델을 학습하되,상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도를 비교하는 것을 특징으로 하는 실행시간 할당 장치.

제15항에 있어서,상기 학습부는, 상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도 사이의 오차 값이 기준 값 미만인지 여부를 판단하는 것을 포함하며,상기 출력된 학습용 태스크의 진행도와 상기 학습용 태스크의 실제 진행도 사이의 오차 값이 기준 값이상인 경우, 상기 예측 모델을 학습시키는 과정을 반복적으로 수행하는 것을 특징으로 하는 실행시간 할당 장치.

제11항에 있어서,상기 학습부는, 상기 학습용 태스크에 포함된 상기 그룹핑된 학습용 시스템 콜의 실행시간을 기반으로 하여 학습된 상기 예측 모델을 이용하여 상기 학습용 태스크의 진행도를 출력하는 것을 특징으로 하는 실행시간 할당 장치.

제17항에 있어서,상기 학습부는, 제1 잡(Job)부터 제N 잡(Job)까지 각각에 포함된 상기 그룹핑된 학습용 시스템 콜의 실행시간에 대하여 평균값을 연산하고, 상기 연산된 평균값을 기초로 상기 예측 모델을 학습시키는 것을 특징으로 하는 실행시간 할당 장치.

제18항에 있어서,상기 제1 잡(Job)부터 제N 잡(Job)은,시스템 콜로 구성되어 태스크에 포함되는 것을 특징으로 하는 실행시간 할당 장치.

제11항에 있어서,상기 프로세서는, 상기 기 지정된 높은 중요도 태스크의 진행도를 이용하여 다음의 수학식을 통해 추가로 필요한 실행시간을 산출하는 것을 특징으로 하는 실행시간 할당 장치.