CN112001141B - 脑网络启发的中大规模片上互连系统综合方法 - Google Patents

脑网络启发的中大规模片上互连系统综合方法 Download PDF

Info

Publication number
CN112001141B
CN112001141B CN202010859508.2A CN202010859508A CN112001141B CN 112001141 B CN112001141 B CN 112001141B CN 202010859508 A CN202010859508 A CN 202010859508A CN 112001141 B CN112001141 B CN 112001141B
Authority
CN
China
Prior art keywords
nodes
node
network
community
brain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010859508.2A
Other languages
English (en)
Other versions
CN112001141A (zh
Inventor
陈松
葛梦柯
康一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010859508.2A priority Critical patent/CN112001141B/zh
Publication of CN112001141A publication Critical patent/CN112001141A/zh
Application granted granted Critical
Publication of CN112001141B publication Critical patent/CN112001141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/34—Circuit design for reconfigurable circuits, e.g. field programmable gate arrays [FPGA] or programmable logic devices [PLD]
    • G06F30/347—Physical level, e.g. placement or routing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Architecture (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种脑网络启发的中大规模片上互连系统综合方法，包括：采用确定性增长算法构造具有路由器端口限制的无标度特性和小世界特性的脑启发网络拓扑结构，再使用社区检测算法，对脑启发网络拓扑结构进行社区检测划分实现网络的模块化；其中，无标度特性是网络中节点的度数呈幂律分布，且小世界特性网络中的链路长度分度服从幂律分布；将所有待划分IP核划分到社区，基于网络社区划分的启发式IP核分配方法，将IP核逐个映射到被分配到的社区的相应节点上，从而得到具有无标度、小世界和模块化三种特性的脑启发的片上互连系统。通过该方法可以构造出极低通信跳数、低功耗、低延迟和高优化网络性能的片上互连系统。

Description

脑网络启发的中大规模片上互连系统综合方法
技术领域
本发明涉及互连网络领域，尤其涉及一种脑网络启发的中大规模片上互连系统综合方法。
背景技术
在摩尔定律的引领下，集成电路设计已经进入纳米时代，单个芯片上能集成的晶体管的数量级已经达到百亿，为降低设计的复杂性，可重用设计已成为片上系统(System-on-Chip，Soc)设计采用的主要方法。在日趋复杂的片上系统中，互连线延迟、功耗和可靠性等问题成为制约提升片上系统芯片性能的关键问题。因此，片上网络(Network-on-Chip，NoC)的出现有效的解决了SoC的困境，为IP核之间提供高效，高吞吐量，低功耗的通信。
基于片上网络通信架构主要由两部分组成，以基于片上网络通信架构的片上系统作为示例，其主要由两部分组成：主要包括路由器(Switch)和网络接口(NI)。网络接口负责将待传输的数据封装成特定格式的数据包传输到网络中，或者从网络中接收数据包并恢复成原始数据，然后将数据传输到目的IP核；路由器主要功能是实现IP核之间的数据通信，完成数据包的路由转发工作。
片上网络是一种很有前途的多核处理器和神经网络处理器的设计范例，与传统的通信架构相比，它具有更好的可预测性、更低的功耗和更大的可扩展性，因此被提出用于实现高性能和大规模的通信。由于将数千个核集成到一个芯片中以提高性能和功能，因此综合方法成为影响大规模片上网络性能的关键因素。
人脑是世界著名的高效大规模并行计算系统，它将计算、存储和通信有效地结合在一起。受到大脑结构的启发，美国国际商业机器公司(IBM)的TrueNorth芯片是一个高效率的神经突触处理器，由4096个神经突触核组成，在一个2-D网格阵列中。还有一些机构提出了基于NoC的疾病诊断芯片平台，该平台可以集成上千个核，用于蛋白质折叠计算。然而，这些基于传统网格拓扑的结构可能由于高通信跳数、延时以及低通信效率而不适用于大规模的互连网络。并且在NoC中，互连拓扑对片上网络的功耗和性能有显著影响。与此同时，其他常见的拓扑结构如树(tree)、环面(torus和clos)也不适合用于大规模互连网络。因此对于大规模片上网络而言，综合方法为亟待解决的问题。
发明内容
本发明的目的是提供一种脑网络启发的中大规模片上互连系统综合方法，它是一种构建具有无标度、小世界和模块化三种特性的脑网络启发的中大规模片上互连系统的综合方法，可以获得低网络通信代价、延迟、通信跳数和能量-延迟乘积。
本发明的目的是通过以下技术方案实现的：
一种脑网络启发的中大规模片上互连系统综合方法，包括：
采用确定性增长算法构造具有路由器端口限制的无标度特性和小世界特性的脑启发网络拓扑结构，再使用社区检测算法，对脑启发网络拓扑结构进行社区检测划分实现网络的模块化；
将所有待划分IP核划分到社区，基于网络社区划分的启发式IP核分配方法，将IP核逐个映射到被分配到的社区的相应节点上，从而得到具有无标度、小世界和模块化三种特性的脑启发的片上互连系统。
由上述本发明提供的技术方案可以看出，一方面，相对其他通用的规则拓扑结构以及层次型网络拓扑结构，本发明生成的拓扑结构具有更低的通信跳数、动态通信功耗、能耗-延迟乘积以及更高的稳定性；另一方面，基于社区划分的IP核分配方法，相对于其他启发式方法，具有更高的映射质量、速度快，而且针对脑启发网络拓扑的特征实现高质量、高效率分配。此外，本发明提供的复杂脑网络启发的片上互连系统综合方法，可以实现几百到几十万个节点的中大规模片上互连系统的综合设计。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种脑网络启发的中大规模片上互连系统综合方法的流程图；
图2为本发明实施例提供的生成具有无标度、小世界和模块化的特性的脑启发网络拓扑结构的示意图；
图3为本发明实施例提供的片上网络布局图；
图4为本发明实施例提供的基于社区划分的IP核分配示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
神经生物学研究表明，人类大脑是一个复杂而不规则的网络。脑功能网络和结构网络都具有无标度、小世界和模块化的特性，在很大程度上支持了这种高效的大规模并行计算系统。无标度特性是网络中节点的度数呈幂律分布，即大部分节点度数是比较小的，小部分节点度数是比较大的。具有大度数节点的无标度网络可以有相当小的通信直径。由于这种异构的拓扑结构，无标度网络具有较强的抗结构破坏能力，因为当节点随机发生故障时，节点之间的大部分连接是守恒的；它是构建具有数千个节点的NoC系统拓扑结构的一个非常好的选择，且无标度网络。小世界网络是指具有大规模节点的网络中随机选择两个节点，它们之间的距离L与网络中节点数量N的对数成正比增长，即L∝logN，小世界特性的拓扑由于具有密集的局部聚类和较短的路径长度，具有较高的并行信息处理的全局和局部效率，在前人的研究中得知，当小世界网络中链路长度的分度服从幂律分布时，可以进一步降低布线成本。理论工作指出模块化对于提高稳定性和灵活性以及节约布线成本的重要性。因此本发明的目的在于基于复杂脑网络的这些特性，构建中大规模的片上互连系统，以增加系统集成规模、降低系统互连代价。
如图1所示，为本发明实施例提供一种脑网络启发的中大规模片上互连系统综合方法，其主要包括如下两个阶段：
一、拓扑生成。
本部分构建路由器层次的拓扑结构，即每个IP核对应唯一的一个路由器，所以这里说的网络节点对应的是路由器。采用确定性增长算法构造具有路由器端口限制(即节点的最大度数限制)的无标度特性和小世界特性的脑启发网络拓扑结构，并且网络中链路长度服从幂律分布，再使用社区检测算法，对脑启发网络拓扑结构进行社区检测划分实现网络的模块化。
如图2所示，本步骤的优选实施方式如下：
1、构建网格阵列。
将芯片平面平铺为一个t行t列的总数为n的网格阵列，在网格阵列上建立了一个二维坐标系统，其中每个方格代表着一个路由器和一个预留的IP核位置的组合，每个方格都有一个唯一的坐标，所有链路的曼哈顿长度在[1,2t-2]范围内，所有链路都支持数据包的双向传输；所有节点的度都在[k,m]之内。节点最小度数k和节点最大度数m的数值由用户自行设置；t、n的数值根据芯片实际情况设定。
2、划分初始网络。
在网格阵列的中心构建一个预设大小的网格状拓扑结构作为初始网络。如图3所示，中心区域4行4列的黑色方格和连线表示的链路组成初始网络；具体的大小由用户根据实际情况或者经验自行设定，本发明不做限定。
3、在初始网格中添加节点。
初始网络内部节点称为老节点，之外的节点称为新节点；将新节点按照顺序从距离初始网络的远近(图2中从暗到亮填充颜色)添加到初始网络中，直到添加完所有新节点。本发明实施例中，节点是指一个路由器。
新节点的初始度为k，每新建一个链路，网络总体度数增加2，因此，所有节点的平均度为2k。逐个地在新节点和现有节点之间建立的新链接。
在添加一个新节点时，需要与k个老节点逐个建立新的链路：先确定新节点所要连接老节点的度数，使其最符合无标度特性，对于当前老节点，评估新节点和当前老节点之间建立链路之后的节点度数的分布，计算新节点和当前老节点连接前，网络节点总度数的分布与理想分布的差距，以及连接后，网络节点总度数的分布与理想分布的差距。
如之前所述，无标度特性是网络中节点的度数呈幂律分布，即pk＝c·r-γ，r是节点度数，γ为无标度指数；小世界网络的链路长度的分度服从幂律分布时，即pl＝c·l-β，l是链路长度，β为小世界指数。
则度数为r的节点的理想分布为：
其中k≤r＜m (1)
当给定k，m，γ，则可以获得具体的理想度数分布，将新节点的一条链路连接到度数为r的老节点，则理想情况下度数为r+1节点的度数增量为：
freq[r]＝fr/k
此时的度数为r+1的真实分布和理想分布的差值为：
d(r)＝n[r]-score[r]-freq[r]
n[r]和score[r]分别表示度数为r+1的节点实际数量与理想情况下的节点数量。
当一个新节点连接到度数为r的节点，会导致度数为r的节点变少，度数为r+1的节点增加，则建立连接前后的度数分布差距之差为：
D(r)＝(|d(r)+1|+|d(r-1)-1|-(|d(r)|+|d(r-1)|)
通过以上原理，可以确定建立连接前后的所有节点的度数分布差距之差最小时的所连接的老节点的度数(即寻找链路建立后，实际度数分布更接近理想分布的节点度数)；此时可能存在若干此度数的老节点。在这一批的选定度数的节点中，可以建立起不同的长度的新链路，我们还将需要，新老节点之间的链路长度需要满足幂律分布的小世界特性以进一步优化布线成本，所以选择链路长度分布和理想链路分布差距最大的新老节点之间新链路，如此就在新节点和老节点之间建立了一条新链路，再重复以上过程逐步建立起新节点剩余的k-1条新链路，从而完成将一个新节点添加至初始网络的操作；
对于其他新节点，再重复以上所有操作，直至所有的新节点都添加到初始网络中，从而构成一个大规模的脑启发式拓扑结构。
4、在构建网络过程中，无标度指数γ和小世界指数β也很大程度上影响着网络拓扑的性能，因此需要权衡动态和静态功耗。
本发明实时中，由确定性算法构建拓扑时，每组无标度指数γ和小世界指数β都对应一个拓扑，不同的γ和β决定了不同性质的拓扑，因此我们需要以无标度指数γ和小世界指数β作为指标，选出最优的脑启发网络拓扑结构。
如图1所示，为了更符合脑网络属性，预先给定了γ和β各自范围；示例性的，可以选择γ和β分别在[1.5,3.5]和[1.0,3.0]范围内做筛选。在脑网络中，这两个范围内的无标度、小世界指数更加频繁的出现。
在评估过程中，最大化指标OBJ，可以表达为：
其中，α为经验参数，Ps为网络的静态功耗，可以根据网络节点的度数(即路由器的尺寸)和链路长度计算得出；Pd为动态功耗，可以由∑L·H粗略计算得出，L和H分别是网络中每两个节点之间的路径长度和跳数；和/>是在所有可能的γ和β组合中的Ps和Pd的最小值，则OBJ越大，网络的越符合需求，因此，选择最优的γ和β对应的网络结构作为本阶段设计的脑启发网络拓扑结构。
5、社区划分。
由于复杂脑网络启发的拓扑具有社区特性，因此，采用社区检测算法，如louvain算法或其他社区检测算法，对网络拓扑进行社区检测划分。
6、筛选Hub节点。
本发明实施例中，为了选出社区中的Hub节点，引入节点的参与度索引来描述每一节点的社区内与社区外连接的分布，表示为：
其中，K为社区的数量，ks为节点s的度数，κsi为节点s与所在社区i内的节点的连接数。
在每个社区中，选择度数在平均度数以上，且参与度索引小于阈值(例如，0.3)的节点作为社区的Hub节点；如果某个社区没有满足条件的节点，则选择若干(例如，3个)度数最高的节点最为社区的Hub节点。
二、IP核分配。
将所有待划分IP核划分到社区，基于网络社区划分的启发式IP核分配方法，将IP核逐个映射到被分配到的社区的相应节点上，从而得到具有无标度、小世界和模块化三种特性的脑启发的片上互连系统。
如图4所示，本步骤的优选实施方式如下：
1、IP核通信图的划分与分配。
通信图中IP核的数目要小于等于网络拓扑节点的数量。对于IP核的数目小于拓扑节点数量的情况，可以在通信图中加入无通信需求的空IP核节点，以方便下面的划分操作。按照社区数量和大小，对IP核通信图进行同社区大小比例的K划分，将IP核分配到对应社区中，分配到每个社区的IP核的数量等于其社区中的节点数。
2、扰动优化。
根据扰动的通信代价，使用基于模拟退火的扰动策略的启发式方法，随机地将不同社区的两个IP核进行交换，选择通信代价较小的分配方式，从而得到优化后的分配结果。
扰动的通信代价O的计算方式为：
其中，hi，di，cri分别为社区i内部所有节点的平均笛卡尔距离、平均跳数以及总的通信量；hij，dij，crij分别为在两个不同社区i与j中每两个Hub节点的平均笛卡尔距离、平均跳数以及总的通信量。通信代价O越低意味着通信能耗、跳数越低。
3、IP核映射。
基于优化后的分配结果，将通信量最大的IP核映射到社区的Hub节点上；从所有未映射的IP核中选取与已经映射的IP核存在最大通信量IP核u，逐个放置在上阶段IP核u分配的社区中未映射的节点上，计算通信代价，选择映射放置在具有最小通信代价的未映射节点，这样就完成了一个节点的映射，重复以上操作直至完成所有IP核的映射；在计算通信代价时，如果此IP核u与未映射的IP核v存在通信，则假定把IP核v映射其上阶段所分配到的社区的Hub上并计算。
具体来说，在具体的映射阶段，我们不规定映射社区的顺序，仅逐个选取与已经映射的IP核存在最大通信量的未映射的IP核u，IP核u可以是任意社区的未映射节点，然后再逐个计算将此IP核u放在其所属社区的未映射的节点上的代价：
其中
其中，i为IP核u所属的社区，，为社区集(u,v)或(v,u)代表一个通信量为cruv的通信流；如果节点IP核v属于未映射的集合UM，则和/>代表IP核u预映射的当前节点到IP核v所属的社区的Hub节点(即假定把IP核v映射在所属社区的Hub节点上)的平均跳数以及路径长度；同样地，如果节点IP核v映射到具体的节点t，则/>和/>代表IP核u预映射的当前节点到节点t的平均跳数以及路径长度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种脑网络启发的中大规模片上互连系统综合方法，其特征在于，包括：
采用确定性增长算法构造具有路由器端口限制的无标度特性和小世界特性的脑启发网络拓扑结构，再使用社区检测算法，对脑启发网络拓扑结构进行社区检测划分实现网络的模块化；
将所有待划分IP核划分到社区，基于网络社区划分的启发式IP核分配方法，将IP核逐个映射到被分配到的社区的相应节点上，从而得到具有无标度、小世界和模块化三种特性的脑启发的片上互连系统；
所述采用确定性增长算法构造具有路由器端口限制的无标度特性和小世界特性的脑启发网络拓扑结构的步骤包括：
将芯片平面平铺为一个t行t列的总数为n的网格阵列，在网格阵列上建立了一个二维坐标系统，其中每个方格代表着一个路由器和一个预留的IP核位置的组合，每个方格都有一个唯一的坐标，所有链路的曼哈顿长度在[1,2t-2]范围内，所有链路都支持数据包的双向传输；一个路由器作为一个节点，所有节点的度都在[k,m]之内，k为节点最小度数，m为节点最大度数，m受到路由器端口限制；
在网格阵列的中心构建一个预设大小的网格状拓扑结构作为初始网络，初始网络内部节点称为老节点，之外的节点称为新节点；将新节点按照顺序从距离初始网络的远近添加到初始网络中，直到添加完所有新节点；
新节点的初始度数为k，在添加一个新节点时，需要与k个老节点逐个建立新的链路：先确定新节点所要连接老节点的度数，使其最符合无标度特性，对于当前老节点，评估新节点和当前老节点之间建立链路之后的节点度数的分布，计算新节点和当前老节点连接前，网络节点总度数的分布与理想分布的差距，以及连接后，网络节点总度数的分布与理想分布的差距；最终，确定建立连接前后的所有节点的度数分布差距之差最小时的所连接的老节点的度数，即确定链路建立后，所有节点的实际度数分布最接近理想分布的节点度数；在确定老节点度数之后，新老节点之间的路径长度需要满足小世界特性，选择路径长度分布和理想路径分布差距最大的新老节点之间链路，如此就在新节点和老节点之间建立了一条新链路，再重复以上过程逐步建立起新节点剩余的k-1条新链路，从而完成将一个新节点添加至初始网络的操作；
所述将所有待划分IP核划分到社区，基于网络社区划分的启发式IP核分配方法，将IP核逐个映射到被分配到的社区的相应节点上的步骤包括：
IP核通信图中IP核的数目小于等于脑启发网络拓扑结构中节点的数量，对于小于脑启发网络拓扑结构中节点的数量这一情况，加入无通信需求的空IP核，再按照社区数量和大小，对IP核通信图进行同社区大小比例的K划分，将IP核分配到对应社区中，分配到每个社区的IP核的数量等于社区中节点的数量；
根据扰动的通信代价，使用基于模拟退火的扰动策略的启发式方法，随机地将不同社区的两个IP核进行交换，选择通信代价较小的分配方式，从而得到优化后的分配结果；
基于优化后的分配结果，将通信量最大的IP核映射到社区的Hub节点上；从所有未映射的IP核中选取与已经映射的IP核存在最大通信量IP核u，逐个放置在所分配的社区中未映射的节点上，计算通信代价，选择映射放置为具有最小通信代价的未映射节点，从而完成了一个IP核的映射，重复以上操作直至完成所有IP核的映射；在计算通信代价时，如果此IP核u与未映射的IP核v存在通信，则假定把IP核v映射在所分配的社区的Hub上并计算。
2.根据权利要求1所述的一种脑网络启发的中大规模片上互连系统综合方法，其特征在于，以无标度指数γ和小世界指数β作为指标，不同γ和β的组合对应了不同的网络拓扑结构；结合预定给定的γ和β各自范围，筛选出最优的脑启发网络拓扑结构。
3.根据权利要求1所述的一种脑网络启发的中大规模片上互连系统综合方法，其特征在于，对脑启发网络拓扑结构进行社区检测划分后还包括：筛选出划分之后的社区的Hub节点；
引入节点的参与度索引来描述每一节点的社区内与社区外连接的分布，表示为：
其中，K为社区的数量，ks为节点s的度数，ksi为节点s与所在社区i内的节点的连接数
在每个社区中，选择度数在平均度数以上，且参与度索引小于阈值的节点作为社区的Hub节点；如果某个社区没有满足条件的节点，则选择若干度数最高的节点最为社区的Hub节点。
CN202010859508.2A 2020-08-24 2020-08-24 脑网络启发的中大规模片上互连系统综合方法 Active CN112001141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859508.2A CN112001141B (zh) 2020-08-24 2020-08-24 脑网络启发的中大规模片上互连系统综合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859508.2A CN112001141B (zh) 2020-08-24 2020-08-24 脑网络启发的中大规模片上互连系统综合方法

Publications (2)

Publication Number Publication Date
CN112001141A CN112001141A (zh) 2020-11-27
CN112001141B true CN112001141B (zh) 2024-03-29

Family

ID=73470721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859508.2A Active CN112001141B (zh) 2020-08-24 2020-08-24 脑网络启发的中大规模片上互连系统综合方法

Country Status (1)

Country Link
CN (1) CN112001141B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720560B (zh) * 2023-07-13 2023-12-01 中电海康集团有限公司 基于众核处理单元的类脑系统及数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011114135A1 (en) * 2010-03-16 2011-09-22 Bae Systems Plc Detecting at least one community in a network
CN109587081A (zh) * 2017-09-29 2019-04-05 邢筱丹 一种基于拓扑划分的片上网络快速映射算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10885425B2 (en) * 2016-12-20 2021-01-05 Intel Corporation Network traversal using neuromorphic instantiations of spike-time-dependent plasticity

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011114135A1 (en) * 2010-03-16 2011-09-22 Bae Systems Plc Detecting at least one community in a network
CN109587081A (zh) * 2017-09-29 2019-04-05 邢筱丹 一种基于拓扑划分的片上网络快速映射算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐焱 ; .社交网络拓扑结构实证研究――以科学网博客为例.软件导刊.2017,(11),全文. *

Also Published As

Publication number Publication date
CN112001141A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112181867B (zh) 基于多目标遗传算法的片上网络内存控制器布局方法
CN102546406B (zh) 片上网络路由集中控制系统和装置及自适应路由控制方法
CN103428804B (zh) 寻找片上网络任务与节点间映射方案及网络编码位置方法
CN102325089B (zh) 基于差分进化和捕食搜索策略的胖树型片上网络映射方法
CN102780628B (zh) 面向多核微处理器的片上互连网络路由方法
CN105515987A (zh) 一种基于sdn架构面向虚拟光网络的映射方法
CN107273969A (zh) 一种参数化可扩展的神经网络全连接层多层互连结构
WO2024051388A1 (zh) 一种基于禁忌搜索算法的神经网络片上映射方法和装置
CN112001141B (zh) 脑网络启发的中大规模片上互连系统综合方法
CN103761212B (zh) 片上网络中任务与节点间映射方案与拓扑结构的设计方法
CN114727353A (zh) 基于遗传算法的移动机会传感器网络自适应信息传输方法
CN114357676A (zh) 一种针对层次化模型训练框架的聚合频率控制方法
JP7355983B2 (ja) マルチビット量子フィードバック制御のための量子測定・制御システム
CN109962867A (zh) 一种片上网络分支界定任务映射方法
Yin et al. Aries: Accelerating distributed training in chiplet-based systems via flexible interconnects
CN106526450B (zh) 一种多目标NoC测试规划优化方法
CN107273970B (zh) 支持在线学习的卷积神经网络的可重构平台及其构建方法
Ascia et al. Networks-on-chip based deep neural networks accelerators for iot edge devices
CN111695316B (zh) 一种基于改进混合算法的片上网络测试规划方法
Oliveira et al. Mapping wired links in a hybrid wired-wireless network-on-chip
RamaDevi et al. Machine learning techniques for the energy and performance improvement in Network-on-Chip (NoC)
CN105205033B (zh) 一种基于应用划分的片上网络ip核映射方法
CN109582986A (zh) 一种功耗限制下三维片上网络测试端口选择优化的方法
CN106227696B (zh) 一种快速重构高性能目标阵列的方法
CN113079093B (zh) 一种基于层次化Q-routing规划的路由方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant