CN114116599A - 一种三维片上网络拓扑结构设计方法 - Google Patents
一种三维片上网络拓扑结构设计方法 Download PDFInfo
- Publication number
- CN114116599A CN114116599A CN202111553583.7A CN202111553583A CN114116599A CN 114116599 A CN114116599 A CN 114116599A CN 202111553583 A CN202111553583 A CN 202111553583A CN 114116599 A CN114116599 A CN 114116599A
- Authority
- CN
- China
- Prior art keywords
- design
- network
- search
- target
- local search
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004891 communication Methods 0.000 claims abstract description 53
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 14
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 241000724291 Tobacco streak virus Species 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 238000005457 optimization Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000002922 simulated annealing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种三维片上网络拓扑结构设计方法,包括以下步骤:确定网络规模参数和目标应用流量特性;根据网络规模参数进行三维小世界片上网络拓扑结构的初始化,并计算相应的网络通信频率;针对单个目标应用、多个目标应用的情况,分别进行局部搜索和全局搜索,直至产生符合设计需求的设计,得到设计好的三维小世界片上网络拓扑结构。本发明利用局部搜索产生的数据,基于随机森林回归学习预测函数,并使用预测函数评估备选起始设计的搜索结果,智能地选择下一个起始设计,大大提高了搜索效率,进而产生更优的搜索结果;本发明考虑多个应用场景,通过PHV评价指标对帕累托前沿进行评估,不断改进帕累托前沿,最终产生适用于多应用场景下的设计。
Description
技术领域
本发明涉及片上网络技术领域,具体涉及一种三维片上网络拓扑结构的设计方法。
背景技术
片上网络(Network-on-Chip,NoC)是片上系统(System on Chip,SOC)中各功能模块间的通信骨干,对系统整体性能起着决定性作用。NoC设计包括网络拓扑结构、路由器结构、路由算法等,NoC的通信功能主要依赖于拓扑结构,其体现了通信节点在芯片中的布局与连接,对网络延迟性能有着很大的影响。常见的NoC拓扑结构为Mesh拓扑(网格状拓扑),Mesh拓扑具有较好的普适性,然而,对于特定的应用场景,通用拓扑结构显然不是最好的选择。为此,研究人员基于Mesh拓扑提出了以下NoC拓扑结构设计方法:
2006年,Ogras等人在文献“Application-specific network-on-chiparchitecture customization via long-range link insertion”中提出,在通用的Mesh拓扑上使用贪婪搜索算法添加一定的长链路进而实现特定应用的NoC。用这种设计方法生成的NoC拓扑结构与通用Mesh拓扑相比,具有更低的平均延迟和更高的网络吞吐量;
2011年,Ganguly等人在文献“Scalable hybrid wireless network-on-chiparchitectures for multicore systems”中提出,在Mesh拓扑上使用模拟退火算法进行NoC拓扑结构优化。与暴力的贪婪搜索相比,模拟退火算法提供了一种简单、容易实施且可扩展的搜索方式。
2015年,Das等人在文献"Small-world network enabled energy efficient androbust 3D NoC architectures"中提出,基于小世界网络的3D NoC拓扑结构,称为三维小世界网络(3D SWNoC),并基于模拟退火算法进行3D SWNoC拓扑结构优化。与传统的3D Mesh拓扑结构相比,3D SW NoC具有更低的功耗延迟积(Energy-Delay Product,EDP)。
上述NoC拓扑设计方法都是基于Mesh/3D Mesh拓扑,然而,这些设计方法所采用的优化算法为传统的贪婪搜索、模拟退火算法,无法智能地进行设计空间探索,效率低下、优化结果不佳。此外,这些设计方法都只针对一个应用场景进行优化,所产生的拓扑结构具有一定的局限性。
发明内容
本发明针对上述方法存在的效率低下、优化效果差及产生拓扑结构的局限性,提供了一种三维片上网络拓扑结构的设计方法,考虑多个应用场景进行拓扑结构的优化,降低拓扑结构延迟,改善吞吐量,提高整体性能。
为了实现上述任务,本发明采用以下技术方案:
一种三维片上网络拓扑结构设计方法,包括以下步骤:
确定网络规模参数和目标应用流量特性;
根据网络规模参数进行三维小世界片上网络拓扑结构的初始化,并计算相应的网络通信频率;
针对单个目标应用、多个目标应用的情况,分别进行局部搜索和全局搜索,直至产生符合设计需求的设计,得到设计好的三维小世界片上网络拓扑结构。
进一步地,所述确定网络规模参数和目标应用流量特性,包括:
网络规模参数包括网络通信节点数N、网络层数T和链路总数L;目标应用流量特性为运行目标应用时网络中各通信节点之间的通信量;目标应用可以为单个也可以为多个。
进一步地,初始化后的三维小世界片上网络在平面层上采用小世界连接方式,在垂直方向上通过TSV进行层间连接;根据目标应用流量特性,计算相应的网络通信频率fij;fij表示网络通信节点i和j之间的通信频率,i,j表示不同的通信节点。
进一步地,针对单个目标应用进行局部搜索,包括:
对于单个目标应用的情况,从起始设计开始,使用贪婪搜索算法从邻近设计中随机选取一部分进行遍历,搜索使设计目标值O最小化的最优邻近设计;
所述设计目标值O定义为:
其中,N为网络通信节点数,m为路由器阶段数,hij为网络通信节点i和j之间的跳数,dij为网络通信节点i和j之间的通信距离,fij为网络通信节点i和j之间的通信频率。
进一步地,针对多个目标应用进行局部搜索,包括:
为解决这种多个设计目标情况下,不同设计无法比较的情况,引入以下概念:
非支配设计,在最小化设计目标情况下,若设计A,B满足:Om(A)≤Om(B);且On(A)<OnB,则设计B受A支配;帕累托前沿,帕累托前沿由所有设计中的非支配设计组成;PHV值,PHV是目标空间中帕累托前沿所围成的超容量;其中,Om(A)、Om(B)分别表示在设计目标Om下设计A的设计目标值、设计B的设计目标值;所述目标空间由设计目标值的所有可能取值组成;
在多个目标应用的情况下,从起始设计开始,从邻近设计中随机选择一部分进行遍历,搜索帕累托前沿的PHV值的最优值。
进一步地,所述邻近设计指从起始设计出发,对拓扑结构中平面链路进行一次置乱后得到的设计;所述一次置乱的具体操作为断开一条平面链路,并重新连接相同长度的平面链路;
进一步地,所述全局搜索,包括:
循环所述的局部搜索,直至设计目标值、帕累托前沿的PHV值不再优化,则更新全局最优设计、全局帕累托前沿;
其中,在单个目标应用下,通过不断局部搜索,得到最优邻近设计及对应的设计目标值O;首次执行完局部搜索时,将全局最优设计初始化为得到的最优邻近设计;后续的每一次循环过程中,如当前邻近设计的设计目标值O优于全局最优设计的设计目标值,则将全局最优设计更新为当前邻近设计;
在多个目标应用下,通过不断局部搜索,得到最优PHV值时的帕累托前沿;首次执行完局部搜索时,将全局帕累托前沿初始化为首次局部搜索得到最优PHV值时的帕累托前沿;后续的每一次循环过程中,将当前的循环中的帕累托前沿与当前的全局帕累托前沿合并,得到更新后的全局帕累托前沿。
进一步地,所述局部搜索还包括:
采用随机森林回归,使用局部搜索中的数据学习预测函数,通过预测函数评估将备选起始设计作为起始设计,经过局部搜索之后得到的结果,选择预测结果最好的设计作为下一起始设计,然后继续循环局部搜索;其中,预测函数为随机森林回归生成;预测函数的输入为备选的起始设计,输出为该起始设计搜索结果的预测值;所述备选起始设计,为局部搜索最后一个邻近设计的近邻设计。
进一步地,用于随机森林回归训练的数据由起始设计的特征和评价搜索结果的标签组成;其中,起始设计的特征包括平均跳数、加权通信系数和聚类系数共三组特征;评价搜索结果的标签为局部搜索的结果。
与现有技术相比,本发明具有以下技术特点:
1.本发明基于机器学习算法,搜索效率更高、优化结果更好。
现有技术搜索效率低,容易陷入局部最优。如贪婪搜索算法,搜索结果受起始设计影响较大,一旦确定起始设计,其贪婪搜索特性容易导致陷入局部最优解,无法总览全局;如模拟退火算法,尽管通过模拟退火多次选择起始设计,但由于起始设计选择的随机性,无法保证搜索的有效性、搜索结果的可靠性;与传统技术相比,本发明基于机器学习算法,在局部搜索的基础上,增加全局搜索阶段。在全局搜索中,利用局部搜索产生的数据,基于随机森林回归学习预测函数,并使用预测函数评估备选起始设计的搜索结果,智能地选择下一个起始设计,大大提高了搜索效率,进而产生更优的搜索结果。
2.本发明考虑多个应用场景,引入帕累托前沿和PHV评价指标,解决了针对单一应用场景优化产生的拓扑结构局限性问题。
现有技术仅考虑单个应用场景,对单一应用场景进行优化,其产生的拓扑结果在该应用下表现出色,但无法适用于其他应用场景,具有一定的局限性;与传统技术相比,本发明考虑多个应用场景,在优化算法中引入帕累托前沿收集多应用下无法对比的设计,通过PHV评价指标对帕累托前沿进行评估,在优化算法下不断改进帕累托前沿,最终产生适用于多应用场景下的设计。
附图说明
图1是本发明的网络拓扑结构生成流程图;
图2是本发明生成的网络拓扑结构示意图;
图3是本发明网络拓扑结构生成过程中帕累托前沿及PHV评价指标示意图。
具体实施方式
本发明的技术方案是在特定规模的3D NoC中,针对特定应用的流量特性,基于机器学习算法进行3D NoC拓扑结构优化,减小拓扑结构相应的延迟值,最终产生符合设计需求的3D NoC拓扑结构;具体实现步骤如下:
步骤1,确定网络规模参数和目标应用流量特性
网络规模参数包括网络通信节点数N、网络层数T和链路总数L;目标应用流量特性为运行目标应用时网络中各通信节点之间的通信量;目标应用可以为单个也可以为多个。
步骤2,根据网络规模参数进行三维小世界片上网络拓扑结构的初始化,并计算相应的网络通信频率。
根据网络规模参数,进行网络初始化,产生初始化的三维小世界片上网络(3DSWNoC)拓扑结构。3D SWNoC拓扑结构在平面层上采用小世界连接方式,在垂直方向上通过常规的TSV(Through-Silicon Via)进行层间连接;根据目标应用流量特性,计算相应的网络通信频率fij(i.j=1,2,…,N),i,j表示不同的通信节点,fij表示网络通信节点i和j之间的通信频率;fij=节点i和j的通信量/网络中的总通信量。
其中,所述网络初始化的过程包括:
①建立3D Mesh拓扑结构;②循环3D Mesh拓扑结构中的每一层,使每一层都采用小世界连接方式。
步骤3,局部搜索
对于单个目标应用的情况,从起始设计开始,使用贪婪搜索算法从邻近设计中随机选取一部分进行遍历,搜索使设计目标值O最小化的最优邻近设计。其中,在第一次局部搜索时,所述起始设计为网络初始化后的设计;在第二次及以后的局部搜索时,起始设计为全局搜索选出的最优起始设计。
邻近设计指从起始设计出发,对拓扑结构中平面链路进行一次置乱后得到的设计(一次置乱的具体操作为断开一条平面链路,并重新连接相同长度的平面链路);通过邻近设计以达到对网络调整的目的;设计目标值O定义为:
其中,N为网络通信节点数,m为路由器阶段数,hij为网络通信节点i和j之间的跳数,dij为网络通信节点i和j之间的通信距离,fij为网络通信节点i和j之间的通信频率;对于不同的设计,一般具有不同的设计目标值,对设计目标值O的优化,将减少网络整体的平均跳数和通信距离,进而优化网络的延迟和能量损耗。
对于多个目标应用的情况,存在多个设计目标O;这种情况下,可能存在无法比较的设计,如设计A在目标应用1的性能比设计B好,设计B在目标应用2的性能比设计A好;为解决这种多个设计目标情况下,不同设计无法比较的情况,引入以下概念:
非支配设计(Non-Dominated design),在最小化设计目标情况下,若设计A,B满足:Om(A)≤Om(B);且On(A)<OnB,则设计B受A支配(A为非支配设计);帕累托前沿(Pareto Front),帕累托前沿由所有设计中的非支配设计组成;PHV值(ParetoHyperVolume),PHV是目标空间中帕累托前沿所围成的超容量。其中,Om(A)、Om(B)分别表示在设计目标Om下设计A的设计目标值、设计B的设计目标值;其中,所述目标空间由设计目标值的所有可能取值组成。
因此,在多个目标应用的情况下,从起始设计开始,从邻近设计中随机选择一部分进行遍历,搜索帕累托前沿的PHV值的最优值。
步骤4,全局搜索
4.1循环步骤3直至设计目标值、帕累托前沿的PHV值不再优化,则更新全局最优设计、全局帕累托前沿。
其中,在单个目标应用下,步骤3通过不断搜索,得到最优邻近设计及对应的设计目标值O;首次执行完步骤3时,将全局最优设计初始化为得到的最优邻近设计;后续的每一次循环过程中,如当前邻近设计的设计目标值O优于全局最优设计的设计目标值,则将全局最优设计更新为当前邻近设计。
在多个目标应用下,步骤3通过不断搜索,得到最优PHV值时的帕累托前沿;首次执行完步骤3时,将全局帕累托前沿初始化为首次局部搜索得到最优PHV值时的帕累托前沿;后续的每一次循环过程中,将当前的循环中的帕累托前沿与当前的全局帕累托前沿合并,得到更新后的全局帕累托前沿。
全局搜索中得到的全局最优设计、全局帕累托前沿,即为算法循环执行到当前阶段得到的所有设计、所有帕累托前沿中的最优解。
4.2采用随机森林回归,使用步骤3中的数据学习预测函数,通过预测函数评估将备选起始设计作为起始设计,经过局部搜索之后得到的结果,选择预测结果最好的设计作为下一起始设计,然后继续循环步骤3。其中,预测函数为随机森林回归生成;预测函数的输入为备选的起始设计,输出为该起始设计搜索结果的预测值。所述备选起始设计,为局部搜索最后一个邻近设计的近邻设计。
用于随机森林回归训练的数据由起始设计的特征和评价搜索结果的标签组成;其中,起始设计的特征包括平均跳数、加权通信系数和聚类系数共三组特征;评价搜索结果的标签为局部搜索的结果。
其中,在单个目标应用下,局部搜索结果值为最优邻近设计的设计目标值O;在多个目标应用下,局部搜索结果值为最优帕累托前沿的PHV值。
步骤5,循环执行步骤3、4,直至产生符合设计需求的设计,得到低延迟、高吞吐量的3D SWNoC拓扑结构。其中,符合设计需求的设计由用户设定,例如对于单个目标应用,用户可设定设计目标提升达到一定比例作为设计需求。
实施例:
下面结合附图以4x4x4的三维片上网络拓扑结构的生成为例,对本发明的具体实施方式作进一步说明,但本发明的实施和保护不限于此。
如图1,本发明的具体实施步骤如下:步骤1,设计者确定网络规模参数和目标应用流量特性;步骤2,初始化;步骤3,局部搜索;步骤4,全局搜索;步骤5,循环执行步骤3、4,直至产生符合设计需求的解,得到低延迟、高吞吐量的3D SWNoC拓扑结构;以下对步骤1~4作具体阐述。
步骤1,设计者确定网络规模参数和目标应用流量特性
对4x4x4的三维片上网络拓扑结构,设置网络节点数N为64、网络层数T为4,链路总数L为144。设目标应用为Splash2测试集中的Ocean和Barnes。
步骤2,初始化
根据网络规模参数,进行网络初始化,产生初始化的三维小世界片上网络(3DSWNoC)拓扑结构。3D SWNoC拓扑结构在平面层上采用小世界连接方式,在垂直方向上通过常规的TSV进行层间连接,3D SWNoC拓扑结构示意图如图2所示。
网络初始化步骤如下:
①建立4x4x4的3D Mesh拓扑结构;
②选择3D Mesh拓扑结构中的一层,移除链路长度为1的链路,添加链路长度为2/3/4的链路,直至该层链路长度分布满足{16,5,2,1};
③循环3D Mesh拓扑结构中的所有层,直至各层均满足②中条件。
根据应用Ocean和Barnes流量特性,计算相应的网络通信频率分别记为fOij,fBij(i=1,2,…,N)。
步骤3,局部搜索
由于目标应用为两个:Ocean和Barnes,则由两个应用相应的网络通信频率可得相应的设计目标值:
其中,N为网络节点数,m为路由器阶段数,hij为节点i和j之间的跳数,dij为节点i和j之间的通信距离,fOij,fBij分别为应用Ocean和Barnes下节点i和j之间的通信频率;每个设计都对应着各自的OO,OB值。
在局部搜索中,从起始设计开始,遍历一系列邻近设计(从当前设计出发,对拓扑结构中平面链路进行一次置乱),搜索使帕累托前沿的PHV值优化的设计。
帕累托前沿及PHV评价指标示意图如图3所示,设当前帕累托前沿由设计A、B、C组成,则帕累托前沿的PHV值即为图中所示的阴影部分面积大小。对于设计X1,由于其OO,OB值均大于设计A,因此,搜索到设计X1时,无法对帕累托前沿进行更新;对于设计X2,其OO,OB值均小于设计A,因此,搜索到设计X2时,帕累托前沿更新为设计X2、B、C。
步骤4,全局搜索
循环步骤3直至局部搜索中帕累托前沿的PHV值不再优化,更新全局帕累托前沿。
采用随机森林回归,使用步骤3中的数据学习预测函数,通过预测函数评估备选起始设计的搜索结果,智能地选择下一起始设计,然后继续循环步骤3。
用于随机森林训练的数据由起始设计的特征和评价搜索结果的标签组成。其中,起始设计的特征包括平均跳数、加权通信系数和聚类系数共三组特征;评价搜索结果的标签为局部搜索结果的帕累托前沿的PHV值。随机森林回归的工作过程为:①从数据集中随机选择N个样本子集;②基于N个样本子集构建决策树;③重复①和②,构建100棵决策树组成随机森林。
对于备选起始设计的搜索,使用训练生成的预测函数对备选的所有起始设计的搜索结果进行预测,选择预测结果最优的设计作为下一起始设计;若搜索结果为当前设计,则随机选择备选的起始设计。
本发明基于机器学习算法,在局部搜索的基础上,增加全局搜索阶段。在全局搜索中,利用局部搜索产生的数据,基于随机森林回归学习预测函数,并使用预测函数评估备选起始设计的搜索结果,智能地选择下一个起始设计;本发明考虑多个应用场景,在优化算法中引入帕累托前沿收集多应用下无法对比的设计,通过PHV评价指标对帕累托前沿进行评估,在优化算法下不断改进帕累托前沿,最终产生适用于多应用场景下的设计。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种三维片上网络拓扑结构设计方法,其特征在于,包括以下步骤:
确定网络规模参数和目标应用流量特性;
根据网络规模参数进行三维小世界片上网络拓扑结构的初始化,并计算相应的网络通信频率;
针对单个目标应用、多个目标应用的情况,分别进行局部搜索和全局搜索,直至产生符合设计需求的设计,得到设计好的三维小世界片上网络拓扑结构。
2.根据权利要求1所述的三维片上网络拓扑结构设计方法,其特征在于,所述确定网络规模参数和目标应用流量特性,包括:
网络规模参数包括网络通信节点数N、网络层数T和链路总数L;目标应用流量特性为运行目标应用时网络中各通信节点之间的通信量;目标应用可以为单个也可以为多个。
3.根据权利要求1所述的三维片上网络拓扑结构设计方法,其特征在于,初始化后的三维小世界片上网络在平面层上采用小世界连接方式,在垂直方向上通过TSV进行层间连接;根据目标应用流量特性,计算相应的网络通信频率fij;fij表示网络通信节点i和j之间的通信频率,i,j表示不同的通信节点。
5.根据权利要求1所述的三维片上网络拓扑结构设计方法,其特征在于,针对多个目标应用进行局部搜索,包括:
为解决这种多个设计目标情况下,不同设计无法比较的情况,引入以下概念:
非支配设计,在最小化设计目标情况下,若设计A,B满足: 且则设计B受A支配;帕累托前沿,帕累托前沿由所有设计中的非支配设计组成;PHV值,PHV是目标空间中帕累托前沿所围成的超容量;其中,Om(A)、Om(B)分别表示在设计目标Om下设计A的设计目标值、设计B的设计目标值;所述目标空间由设计目标值的所有可能取值组成;
在多个目标应用的情况下,从起始设计开始,从邻近设计中随机选择一部分进行遍历,搜索帕累托前沿的PHV值的最优值。
6.根据权利要求4或5所述的三维片上网络拓扑结构设计方法,其特征在于,所述邻近设计指从起始设计出发,对拓扑结构中平面链路进行一次置乱后得到的设计;所述一次置乱的具体操作为断开一条平面链路,并重新连接相同长度的平面链路。
7.根据权利要求1所述的三维片上网络拓扑结构设计方法,其特征在于,所述全局搜索,包括:
循环所述的局部搜索,直至设计目标值、帕累托前沿的PHV值不再优化,则更新全局最优设计、全局帕累托前沿;
其中,在单个目标应用下,通过不断局部搜索,得到最优邻近设计及对应的设计目标值O;首次执行完局部搜索时,将全局最优设计初始化为得到的最优邻近设计;后续的每一次循环过程中,如当前邻近设计的设计目标值O优于全局最优设计的设计目标值,则将全局最优设计更新为当前邻近设计;
在多个目标应用下,通过不断局部搜索,得到最优PHV值时的帕累托前沿;首次执行完局部搜索时,将全局帕累托前沿初始化为首次局部搜索得到最优PHV值时的帕累托前沿;后续的每一次循环过程中,将当前的循环中的帕累托前沿与当前的全局帕累托前沿合并,得到更新后的全局帕累托前沿。
8.根据权利要求1所述的三维片上网络拓扑结构设计方法,其特征在于,所述局部搜索还包括:
采用随机森林回归,使用局部搜索中的数据学习预测函数,通过预测函数评估将备选起始设计作为起始设计,经过局部搜索之后得到的结果,选择预测结果最好的设计作为下一起始设计,然后继续循环局部搜索;其中,预测函数为随机森林回归生成;预测函数的输入为备选的起始设计,输出为该起始设计搜索结果的预测值;所述备选起始设计,为局部搜索最后一个邻近设计的近邻设计。
9.根据权利要求8所述的三维片上网络拓扑结构设计方法,其特征在于,用于随机森林回归训练的数据由起始设计的特征和评价搜索结果的标签组成;其中,起始设计的特征包括平均跳数、加权通信系数和聚类系数共三组特征;评价搜索结果的标签为局部搜索的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553583.7A CN114116599A (zh) | 2021-12-17 | 2021-12-17 | 一种三维片上网络拓扑结构设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553583.7A CN114116599A (zh) | 2021-12-17 | 2021-12-17 | 一种三维片上网络拓扑结构设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114116599A true CN114116599A (zh) | 2022-03-01 |
Family
ID=80365550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111553583.7A Pending CN114116599A (zh) | 2021-12-17 | 2021-12-17 | 一种三维片上网络拓扑结构设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116599A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007336021A (ja) * | 2006-06-13 | 2007-12-27 | Nippon Telegr & Teleph Corp <Ntt> | 綱トポロジ設計方法および綱トポロジ設計装置 |
CN101847168A (zh) * | 2010-04-09 | 2010-09-29 | 西安电子科技大学 | 基于规则拓扑库面向应用的片上网络生成方法 |
CN103761212A (zh) * | 2014-01-21 | 2014-04-30 | 电子科技大学 | 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 |
US20180183715A1 (en) * | 2016-12-26 | 2018-06-28 | Netspeed Systems, Inc. | System and method for network on chip construction through machine learning |
CN109726479A (zh) * | 2018-12-29 | 2019-05-07 | 南京宁麒智能计算芯片研究院有限公司 | 一种三维片上网络垂直通道的部署方法 |
-
2021
- 2021-12-17 CN CN202111553583.7A patent/CN114116599A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007336021A (ja) * | 2006-06-13 | 2007-12-27 | Nippon Telegr & Teleph Corp <Ntt> | 綱トポロジ設計方法および綱トポロジ設計装置 |
CN101847168A (zh) * | 2010-04-09 | 2010-09-29 | 西安电子科技大学 | 基于规则拓扑库面向应用的片上网络生成方法 |
CN103761212A (zh) * | 2014-01-21 | 2014-04-30 | 电子科技大学 | 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 |
US20180183715A1 (en) * | 2016-12-26 | 2018-06-28 | Netspeed Systems, Inc. | System and method for network on chip construction through machine learning |
CN109726479A (zh) * | 2018-12-29 | 2019-05-07 | 南京宁麒智能计算芯片研究院有限公司 | 一种三维片上网络垂直通道的部署方法 |
Non-Patent Citations (3)
Title |
---|
ARYAN DESHWAL 等: "MOOS: A Multi-Objective Design Space Exploration and Optimization Framework for NoC Enabled Manycore Systems", 《ACM TRANSACTIONS ON EMBEDDED COMPUTING SYSTEMS》, vol. 18, no. 5, 30 November 2019 (2019-11-30) * |
SOURAV DAS 等: "Optimizing 3D NoC Design for Energy Efficiency: A Machine Learning Approach", 《2015 IEEE/ACM INTERNATIONAL CONFERENCE ON COMPUTER-AIDED DESIGN(ICCAD)》, 7 January 2016 (2016-01-07) * |
柳艳;耿鹏;: "基于随机游走的小世界网络搜索策略分析", 南京工程学院学报(自然科学版), no. 02, 15 June 2017 (2017-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kassahun et al. | Efficient reinforcement learning through Evolutionary Acquisition of Neural Topologies. | |
Chitra et al. | A nondominated sorting genetic algorithm solution for shortest path routing problem in computer networks | |
CN112181867A (zh) | 基于多目标遗传算法的片上网络内存控制器布局方法 | |
CN107609694B (zh) | 海上风电集群输电系统结构优化方法及存储介质 | |
CN112395822B (zh) | 时延驱动的非曼哈顿结构Steiner最小树构建方法 | |
CN112364913A (zh) | 一种基于核心数据集的联邦学习通信量优化方法及系统 | |
CN112995289A (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
Wang et al. | Latency-aware mapping for 3D NoC using rank-based multi-objective genetic algorithm | |
CN111752891A (zh) | 用于光片上网络的ip核映射方法 | |
Mehran et al. | Spiral: A heuristic mapping algorithm for network on chip | |
CN109726479B (zh) | 一种三维片上网络垂直通道的部署方法 | |
Wang et al. | Evolutionary algorithm-based and network architecture search-enabled multiobjective traffic classification | |
Mitra et al. | A learning based scheme for fair timeliness in sparse gossip networks | |
CN114282484A (zh) | 基于改进天牛须算法的异构三维片上网络的布图优化方法、装置、设备及介质 | |
Kim et al. | Rapid topology generation and core mapping of optical network-on-chip for heterogeneous computing platform | |
CN114116599A (zh) | 一种三维片上网络拓扑结构设计方法 | |
CN114065457A (zh) | 一种电力通信网最优安全链路配置方法与系统 | |
Chitra et al. | A nondominated sorting genetic algorithm for shortest path routing problem | |
Perepelkin et al. | Research of Multipath Routing and Load Balancing Processes in Software Defined Networks Based on Bird Migration Algorithm | |
CN114124818B (zh) | 一种sdn网络中多播传输的新增功能节点部署优化方法 | |
Shankar et al. | Integrated cuckoo and monkey search algorithm for energy efficient clustering in wireless sensor networks | |
CN106526450B (zh) | 一种多目标NoC测试规划优化方法 | |
Syarif et al. | Performance analysis of evolutionary multi-objective based approach for deployment of wireless sensor network with the presence of fixed obstacles | |
CN114390489A (zh) | 一种端到端网络切片的服务化部署方法 | |
Xue et al. | AOME: Autonomous optimal mapping exploration using reinforcement learning for NoC-based accelerators running neural networks |
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 |