CN116821638B - Ai芯片应用优化设计的数据分析方法及系统 - Google Patents

Abstract

本发明提供了AI芯片应用优化设计的数据分析方法及系统，涉及数据处理技术领域，该方法包括：输出车载数据源；确定数据传输路径；采集芯片响应样本数据集；得到失效概率集合；标识失效概率集合大于预设失效概率的标识车载数据源；根据车载数据源的模型生成数据转换模块，并连接至所述实时AI芯片的数据接收端进行芯片优化；当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，输出标识转换数据源，输入所述实时AI芯片中进行处理，解决了现有技术中存在对于芯片的处理数据分析流程不足，导致AI芯片的数据处理效率较低的技术问题，达到提升AI芯片数据处理效率，降低AI芯片的失效风险的技术效果。

Description

AI芯片应用优化设计的数据分析方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及AI芯片应用优化设计的数据分析方法及系统。

背景技术

随着科技的快速发展，自动驾驶开始出现，自动驾驶的核心部件是中央控制器，中央控制器通常需要外接多个摄像头、毫米波雷达、激光雷达，以及AI芯片等设备，完成的功能包含图像识别、数据处理等，通过AI芯片完成复杂的AI计算和智能控制，但是AI芯片在应用过程中可能出现加载时间过长、备份失败等异常，导致芯片的数据处理效率不足。

综上，现有技术中存在对于芯片的处理数据分析流程不足，导致AI芯片的数据处理效率较低的技术问题。

发明内容

本发明提供了AI芯片应用优化设计的数据分析方法及系统，用以解决现有技术中存在对于芯片的处理数据分析流程不足，导致AI芯片的数据处理效率较低的技术问题。

根据本发明的第一方面，提供了AI芯片应用优化设计的数据分析方法，包括：基于车载中央控制器连接的外接模组设备，输出车载数据源；通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合；根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理。

根据本发明的第二方面，提供了AI芯片应用优化设计的数据分析系统，包括：车载数据源输出模块，所述车载数据源输出模块用于基于车载中央控制器连接的外接模组设备，输出车载数据源；

数据传输路径确定模块，所述数据传输路径确定模块用于通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；样本数据集采集模块，所述样本数据集采集模块用于基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；失效概率识别模块，所述失效概率识别模块用于以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合；车载数据源标识模块，所述车载数据源标识模块用于根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；芯片优化模块，所述芯片优化模块用于加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；转换数据源输出模块，所述转换数据源输出模块用于当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理。

根据本发明采用的一个或多个技术方案可达到的效果如下：

基于车载中央控制器连接的外接模组设备，输出车载数据源，通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径，基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集，以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合，根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源，加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化，当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理，由此通过对AI芯片的处理数据进行失效识别，根据失效概率，对失效概率较高的数据源的数据通过外接的数据转换模块进行处理，达到提升数据处理效率，降低数据处理异常风险的技术效果。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的AI芯片应用优化设计的数据分析方法的流程示意图；

图2为本发明实施例提供的AI芯片应用优化设计的数据分析系统的结构示意图。

附图标记说明：数据采集模块11，监督词汇集合构建模块12，词汇匹配模块13，安全识别模块14，安全影响数据生成模块15，上网安全监督预警模块16。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

说明书中使用的术语用于描述实施例，而不是限制本发明。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。

除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本发明所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。

需要说明的是，本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

实施例一：

图1为本发明实施例提供的AI芯片应用优化设计的数据分析方法图，所述方法包括：

基于车载中央控制器连接的外接模组设备，输出车载数据源；

车载中央控制器是自动驾驶核心部件，用于完成数据处理、图像处理等功能，车载中央控制器通常需要外接多个摄像头、毫米波雷达、激光雷达，以及IMU等设备，其外接的摄像头、毫米波雷达、激光雷达等设备局即为外接模组设备，基于车载中央控制器连接的外接模组设备，输出车载数据源，车载数据源是指外接模组设备中提供某种所需数据的器件或原始媒体，比如摄像头、毫米波雷达、激光雷达等传感器。

通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；

域控制器是一种智能硬件，可以理解为车载中央控制器实现对车辆的控制功能的硬件设备，域控制器中包含有多个AI芯片，比如承担环境感知和深度学习等超大算力需求的AI处理芯片、负责控制决策和逻辑运算的CPU、以及负责功能安全和车辆控制的MCU等。实时AI芯片即为每一个域控制器内部用于执行数据处理任务的AI芯片，AI芯片是一种集成电路，其原理是通过训练和学习算法将大量数据输入到神经网络结构中，从而能够对输入数据进行快速、准确的处理和分析，集成电路即为电路配置数据，包括不同电路元件及其连接顺序，电路配置数据会在AI芯片生产之前预先设计，因此可根据实时AI芯片的芯片电路设计图或者使用手册直接读取并上传调用，不同的AI芯片的电路配置数据不同，数据传输路径即为通过所述实时AI芯片进行数据处理计算时的数据流转路径，示例性的，输入数据以此通过AI芯片内部的并行乘法器、加法树、激活函数三类单元进行数据处理，另外还有三个不同的存储单元，分别存储着输入特征数据、输出数据等，根据电路配置数据，以多个组件的连接顺序进行路径连接，即可得到数据传输路径，输入数据依次通过多个组件(比如处理器、存储器和传感器等)内进行传输，数据传输过程中产生的所有数据存储会被AI芯片存储。

基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；

数据存储模块即为实时AI芯片的存储器，数据存储模块包括多个存储单元，用于存储不同的数据，比如输入数据、输出数据等，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集，通俗地讲，数据存储模块中存储着实时AI芯片在投入使用以后每一次的算力处理数据，基于此，可自行设定一个历史时间，比如过去一个月，通过数据存储模块下载获取该历史时间内所述实时AI芯片进行算力处理时，所述车载数据源中各个数据源对应的芯片响应样本数据集，简单来说，就是所述实时AI芯片进行算力处理时，AI芯片的芯片性能表现数据，比如数据备份失败、请求响应失败、响应延时、响应成功等，简单来说，就是实时AI芯片是否能正常快速进行数据处理，以历史时间内每一次进行算开处理使得芯片响应数据组成芯片响应样本数据集。

在一个优选实施例中，还包括：

对所述实时AI芯片进行仿真后并测试所述实时AI芯片在进行处理时的芯片功耗数据；根据所述芯片功耗数据对所述实时AI芯片产生的影响性进行计算，输出功耗影响指标；以所述功耗影响指标对所述芯片响应样本数据集进行筛选，得到小于预设功耗影响指标下的芯片响应样本数据集。

芯片仿真是对所述实时AI芯片的芯片功能进行虚拟仿真，包括芯片的性能、功耗等的仿真，可通过现有的ESL(Electronic system level)平台实现仿真，根据实时AI芯片的电路配置数据通过ESL进行芯片仿真，芯片仿真是本领域技术人员常用技术手段，故对此不进行展开，对所述实时AI芯片的芯片功能进行虚拟多次仿真，就是对所述实时AI芯片进行多次算力处理的仿真测试，在仿真测试过程中，记录所述实时AI芯片的芯片功耗数据，芯片功耗数据是指实时AI芯片进行数据处理时带来的功耗负担，比如耗电率、发热量等。根据所述芯片功耗数据对所述实时AI芯片产生的影响性进行计算，输出功耗影响指标，功耗影响指标是指对实时AI芯片产生的工作产生影响的指标，比如耗电率、发热率等，一般情况下，芯片正常安全工作时，其耗电率、发热率是趋于一个稳定值的，以此，以所述功耗影响指标对所述芯片响应样本数据集进行筛选，得到小于预设功耗影响指标下的芯片响应样本数据集，预设功耗影响指标即为芯片正常安全工作时的耗电率、发热率等指标阈值，可基于历史经验获取，就是历史中与所述实时AI芯片型号相同的芯片的正常耗电率、发热率等指标阈值。进而对所述功耗影响指标和预设功耗影响指标进行比对，获取小于预设功耗影响指标下的功耗影响指标，即耗电率、发热量等较小的芯片响应样本数据集，后续以小于预设功耗影响指标下的芯片响应样本数据集进行失效概率识别，提升失效概率识别准确性。

以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合；

在一个优选实施例中，还包括：

根据所述车载数据源中各个数据源的失效特征，定义对应的概率密度函数；以所述概率密度函数对所述车载数据源中各个数据源进行先验概率计算，输出先验概率集合；联合所述概率密度函数对所述芯片响应样本数据集进行概率计算，输出后验概率集合；以所述先验概率集合和所述后验概率集合得到与所述车载数据源对应的失效概率集合。

AI芯片在进行算力处理时，可能会发生失效事件，比如请求一直在池逊，得不到响应，或者请求延时、请求失败等，基于此，根据各个数据源对应的芯片响应样本数据集，计算芯片的失效概率，得到所述车载数据源对应的失效概率集合，具体过程如下：

根据所述车载数据源中各个数据源的失效特征，定义对应的概率密度函数，简单来说，将车载数据源中各个数据源的特征作为连续随机变量，且该连续随机变量的变化特征是可以预测的，将预测出的函数，即车载数据源中各个数据源的变化特征作为概率密度函数；以所述概率密度函数对所述车载数据源中各个数据源进行先验概率计算，先验概率是指没有经过实验验证，只是根据概率密度函数推测出的失效概率，由此输出先验概率集合，先验概率集合包括所述车载数据源中各个数据源对应的失效概率。联合所述概率密度函数对所述芯片响应样本数据集进行概率计算，输出后验概率集合，后验概率可以理解为贝叶斯概率，通俗地讲，就是最开始没有得到所述芯片响应样本数据集的时候，依据以往的所述车载数据源中各个数据源的失效特征，对失效特征赋予一个先验分布，得到先验概率集合，然后得到了所述芯片响应样本数据集之后，就是失效事件已经发生，想要计算失效事件发生的原因是由失效特征引起的概率，即为后验概率，简单来说，根据概率密度函数可以得到失效特征对应的概率，基于所述芯片响应样本数据集，可以得到实际中出现失效事件的概率，基于此计算失效特征存在的情况下失效事件出现的概率，也就是条件概率，以此作为后验概率，每个数据源对应一个后验概率，得到后验概率集合。就对先验概率集合进行了更新，得到了这次分析过程的后验概率集合。以所述先验概率集合和所述后验概率集合得到与所述车载数据源对应的失效概率集合。

根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；

预设失效概率由本领域技术人员自行设定，比如可结合历史经验获取芯片发生失效事件最少的概率作为预设失效概率，进而对所述失效概率集合和预设失效概率进行比较，得到失效概率集合中大于预设失效概率的概率，需要说明的是，失效概率集合中包含所述车载数据源中的多个数据源对应的失效概率，因此，可定位失效概率集合中大于预设失效概率的概率所对应的数据源，并对其进行特殊标识，即可得到标识车载数据源。

加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；

所述标识车载数据源的模型是指标识车载数据源进行算力处理时的处理模型，比如进行数据运算、图形处理等的物理模型，简单来说，就是建立一个与标识车载数据源进行算力处理时完全相同的数据处理模型，具体可根据现有技术根据实际中车载数据源构建，车载数据源的模型的构建是本领域技术人员常用技术手段，故在此不进行展开。并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化，就是说，实时AI芯片在进行算力处理时，如果所述实时AI芯片的数据接收端接收到标识车载数据源的数据时，直接进行数据处理可能存在芯片失效风险，为了规避这种风险，利用所述车载数据源的模型生成数据转换模块，简单来说，所述数据转换模块可以理解为实时AI芯片的数据接收端的外接数据转换平台，就是不通过实时AI芯片本身对标识车载数据源的数据进行处理，而是利用外接的数据转换模块对其进行处理，可以降低数据处理失效的风险。

在一个优选实施例中，还包括：

获取所述数据转换模块的单次转换数据量；以所述单次转换数据量为转换单位对所述标识车载数据源进行批次转换，其中，对所述标识车载数据源进行批次转换包括对所述标识车载数据源的模型进行并行任务识别，识别输出并行处理模型；将所述并行处理模型对应的车载数据源输入所述数据转换模块进行同步数据转换，其中，所述数据转换模块与所述实时AI芯片的所述数据存储模块连接。

获取所述数据转换模块的单次转换数据量，单次转换数据量即为所述数据转换模块一次可以处理的最大数据量，具体需结合实际情况确定，以所述单次转换数据量为转换单位对所述标识车载数据源进行批次转换，其中，对所述标识车载数据源进行批次转换包括对所述标识车载数据源的模型进行并行任务识别，并行任务即为需要同时进行处理的任务，对此进行识别输出并行处理模型，并行处理模型即为所述标识车载数据源的模型中用于对并行任务进行数据处理的数据处理模型。将所述并行处理模型对应的车载数据源输入所述数据转换模块进行同步数据转换。就是同时对并行任务对应的数据进行转换，其中，所述数据转换模块与所述实时AI芯片的所述数据存储模块连接，便于将数据处理过程以及处理后的数据进行存储。由此利用外接数据转换模块实现对标识车载数据源的数据的处理，避免所述实时AI芯片处理数据时发生失效事件，提升数据处理效率。

当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理。

当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，将所述标识车载数据源的数据输入所述数据转换模块，就是不通过所述实时AI芯片本身进行任务处理，而是通过外接的数据转换模块实现对标识车载数据源的数据进行处理，输出数据转换模块的处理结果作为标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理，就是说，标识转换数据源即为所述实时AI芯片需要的数据处理结果，后续所述实时AI芯片需要利用标识转换数据源进行后续的任务处理。

在一个优选实施例中，还包括：

获取所述实时AI芯片的进行连续处理时对应的连续芯片响应样本数据集；以所述连续芯片响应样本数据集和对应的时序信息，建立状态转移分布数据集，利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，得到失效累积存在概率；其中，失效累积事件定义为所述实时AI芯片在连续处理时非失效状态转移为失效状态的概率；根据所述失效累积存在概率，生成第一提醒信息。

获取所述实时AI芯片的进行连续处理时对应的连续芯片响应样本数据集，就是历史中连续进行任务处理时的芯片响应数据，以所述连续芯片响应样本数据集和对应的时序信息，建立状态转移分布数据集，也就是说，在进行连续处理时，可能在连续处理多次后，芯片由非失效状态转变为失效状态，比如连续处理50次数据后，芯片工作时间过长，就会导致第51次处理出现异常，导致芯片失效，状态转移分布数据集则是指按照时间顺序，芯片的非失效状态和失效状态的分布情况。利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，得到失效累积存在概率，马尔可夫链描述了一种状态序列，其每个状态值取决于前面有限个状态，在本实施例中，根据状态转移分布数据集，获取连续时许下的芯片状态（失效或非失效），进而对下一次时失效状态或者非失效状态进行预测，从而计算失效累积存在概率，失效累积事件定义为所述实时AI芯片在连续处理时非失效状态转移为失效状态的概率，基于此，通过马尔可夫链即可计算获取状态转移概率作为失效累积存在概率，根据所述失效累积存在概率，就是在失效累积存在概率大于预设失效概率时，生成第一提醒信息，用于提醒用户此时可能发生芯片失效事件，可采用外接的数据转换模块进行数据处理，从而预防芯片失效的发生，提升芯片的数据处理效率。

在一个优选实施例中，还包括：

获取所述实时AI芯片进行负载处理时的预设连续时长；利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，获取大于期望概率时对应的连续时长；当所述连续时长不处于所述预设连续时长中，生成所述第一提醒信息。

获取所述实时AI芯片进行负载处理时的预设连续时长，预设连续时长就是指实时AI芯片进行数据处理时的最大允许时长，比如实时AI芯片进行负载处理时可以连续处理1小时，然后需要冷却恢复，否则会导致芯片失效，1小时即为预设连续时长，具体可结合实际情况确定。进一步利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，获取失效累计存在概率，进而对失效累计存在概率与期望概率进行比较，期望概率是指用户期望的失效累积存在概率，即发生失效事件的可能性较小的概率，获取大于期望概率时对应的连续时长，就是当失效累积存在概率较大时，实时AI芯片已经进行连续任务处理的时长，当所述连续时长不处于所述预设连续时长中，说明此时发生芯片失效的可能性较大，此时生成所述第一提醒信息，用于提醒用户此时可能发生芯片失效事件，可采用外接的数据转换模块进行数据处理，从而预防芯片失效的发生，提升芯片的数据处理效率。

在一个优选实施例中，还包括：

对所述连续芯片响应样本数据集进行失效因子提取，得到基于所述车载数据源对应的多个失效因子集合，其中，每个车载数据源对应一个失效因子集合；根据所述多个失效因子集合进行交集提取，输出共因失效因子；基于所述共因失效因子生成所述实时AI芯片的优化目标。

对所述连续芯片响应样本数据集进行失效因子提取，失效因子即为芯片失效的原因，比如请求响应时间过长、数据存入失败等，基于此得到基于所述车载数据源对应的失效因子组合到一起，可得到多个失效因子集合，每个车载数据源对应一个失效因子集合。根据所述多个失效因子集合进行交集提取，将多个失效因子集合的交集，即共同存在的失效因子输出作为共因失效因子，基于所述共因失效因子生成所述实时AI芯片的优化目标，就是说，所述实时AI芯片在处理不同任务时，可能由同一种原因导致芯片失效，优化目标就是共因失效因子，可基于共因失效因子对所述实时AI芯片进行优化，消除共因失效因子的影响，提升芯片的数据处理效率。

基于上述分析可知，本发明提供的一个或多个技术方案可达到的效果如下：

基于车载中央控制器连接的外接模组设备，输出车载数据源，通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径，基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集，以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合，根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源，加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化，当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理，由此通过对AI芯片的处理数据进行失效识别，根据失效概率，对失效概率较高的数据源的数据通过外接的数据转换模块进行处理，达到提升数据处理效率，降低数据处理异常风险的技术效果。

实施例二：

基于与前述实施例中AI芯片应用优化设计的数据分析方法同样的发明构思，如图2所示，本发明还提供了AI芯片应用优化设计的数据分析系统，所述系统包括：

车载数据源输出模块11，所述车载数据源输出模块11用于基于车载中央控制器连接的外接模组设备，输出车载数据源；

数据传输路径确定模块12，所述数据传输路径确定模块12用于通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；

样本数据集采集模块13，所述样本数据集采集模块13用于基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；

失效概率识别模块14，所述失效概率识别模块14用于以所述芯片响应样本数据集进行失效概率识别后得到与所述车载数据源对应的失效概率集合；

车载数据源标识模块15，所述车载数据源标识模块15用于根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；

芯片优化模块16，所述芯片优化模块16用于加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；

转换数据源输出模块17，所述转换数据源输出模块17用于当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理。

进一步而言，所述车载数据源标识模块15还用于：

获取所述数据转换模块的单次转换数据量；

以所述单次转换数据量为转换单位对所述标识车载数据源进行批次转换，其中，对所述标识车载数据源进行批次转换包括对所述标识车载数据源的模型进行并行任务识别，识别输出并行处理模型；

将所述并行处理模型对应的车载数据源输入所述数据转换模块进行同步数据转换，其中，所述数据转换模块与所述实时AI芯片的所述数据存储模块连接。

进一步而言，所述样本数据集采集模块13还用于：

对所述实时AI芯片进行仿真后并测试所述实时AI芯片在进行处理时的芯片功耗数据；

根据所述芯片功耗数据对所述实时AI芯片产生的影响性进行计算，输出功耗影响指标；

以所述功耗影响指标对所述芯片响应样本数据集进行筛选，得到小于预设功耗影响指标下的芯片响应样本数据集。

进一步而言，所述失效概率识别模块14还用于：

根据所述车载数据源中各个数据源的失效特征，定义对应的概率密度函数；

以所述概率密度函数对所述车载数据源中各个数据源进行先验概率计算，输出先验概率集合；

联合所述概率密度函数对所述芯片响应样本数据集进行概率计算，输出后验概率集合；

以所述先验概率集合和所述后验概率集合得到与所述车载数据源对应的失效概率集合。

进一步而言，所述失效概率识别模块14还用于：

获取所述实时AI芯片的进行连续处理时对应的连续芯片响应样本数据集；

以所述连续芯片响应样本数据集和对应的时序信息，建立状态转移分布数据集，利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，得到失效累积存在概率；

其中，失效累积事件定义为所述实时AI芯片在连续处理时非失效状态转移为失效状态的概率；

根据所述失效累积存在概率，生成第一提醒信息。

进一步而言，所述失效概率识别模块14还用于：

获取所述实时AI芯片进行负载处理时的预设连续时长；

利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，获取大于期望概率时对应的连续时长；

当所述连续时长不处于所述预设连续时长中，生成所述第一提醒信息。

进一步而言，所述芯片优化模块16还用于：

对所述连续芯片响应样本数据集进行失效因子提取，得到基于所述车载数据源对应的多个失效因子集合，其中，每个车载数据源对应一个失效因子集合；

根据所述多个失效因子集合进行交集提取，输出共因失效因子；

基于所述共因失效因子生成所述实时AI芯片的优化目标。

前述实施例一中的AI芯片应用优化设计的数据分析方法具体实例同样适用于本实施例的AI芯片应用优化设计的数据分析系统，通过前述对AI芯片应用优化设计的数据分析方法的详细描述，本领域技术人员可以清楚地知道本实施例中AI芯片应用优化设计的数据分析系统，所以为了说明书的简洁，在此不再详述。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.AI芯片应用优化设计的数据分析方法，其特征在于，所述方法包括：

基于车载中央控制器连接的外接模组设备，输出车载数据源；

通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；

基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；

以所述芯片响应样本数据集进行失效概率识别后，得到与所述车载数据源对应的失效概率集合，包括：

根据所述车载数据源中各个数据源的失效特征，定义对应的概率密度函数；

以所述概率密度函数对所述车载数据源中各个数据源进行先验概率计算，输出先验概率集合；

联合所述概率密度函数对所述芯片响应样本数据集进行概率计算，输出后验概率集合；

以所述先验概率集合和所述后验概率集合得到与所述车载数据源对应的失效概率集合；

根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；

加载所述标识车载数据源的模型，并根据所述标识车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；

当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述数据转换模块的单次转换数据量；

以所述单次转换数据量为转换单位对所述标识车载数据源进行批次转换，其中，对所述标识车载数据源进行批次转换包括对所述标识车载数据源的模型进行并行任务识别，识别输出并行处理模型；

将所述并行处理模型对应的车载数据源输入所述数据转换模块进行同步数据转换，其中，所述数据转换模块与所述实时AI芯片的所述数据存储模块连接。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述实时AI芯片进行仿真后并测试所述实时AI芯片在进行处理时的芯片功耗数据；

根据所述芯片功耗数据对所述实时AI芯片产生的影响性进行计算，输出功耗影响指标；

以所述功耗影响指标对所述芯片响应样本数据集进行筛选，得到小于预设功耗影响指标下的芯片响应样本数据集。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述实时AI芯片的进行连续处理时对应的连续芯片响应样本数据集；

以所述连续芯片响应样本数据集和对应的时序信息，建立状态转移分布数据集，利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，得到失效累积存在概率；

其中，失效累积存在概率定义为所述实时AI芯片在连续处理时非失效状态转移为失效状态的概率；

根据所述失效累积存在概率，生成第一提醒信息。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述实时AI芯片进行负载处理时的预设连续时长；

利用马尔科夫链对所述状态转移分布数据集进行失效累积概率计算，获取大于期望概率时对应的连续时长；

当所述连续时长不处于所述预设连续时长中，生成所述第一提醒信息。

6.如权利要求4所述的方法，其特征在于，所述方法还包括：

对所述连续芯片响应样本数据集进行失效因子提取，得到基于所述车载数据源对应的多个失效因子集合，其中，每个车载数据源对应一个失效因子集合；

根据所述多个失效因子集合进行交集提取，输出共因失效因子；

基于所述共因失效因子生成所述实时AI芯片的优化目标。

7.AI芯片应用优化设计的数据分析系统，其特征在于，用于执行权利要求1至6所述的AI芯片应用优化设计的数据分析方法中任意一项方法的步骤，所述系统包括：

车载数据源输出模块，所述车载数据源输出模块用于基于车载中央控制器连接的外接模组设备，输出车载数据源；

数据传输路径确定模块，所述数据传输路径确定模块用于通过调用域控制器所包括的实时AI芯片的电路配置数据，以确定所述实时AI芯片执行数据处理时的数据传输路径；

样本数据集采集模块，所述样本数据集采集模块用于基于所述数据传输路径，从所述实时AI芯片的数据存储模块中采集历史算力处理时针对所述车载数据源中各个数据源对应的芯片响应样本数据集；

失效概率识别模块，所述失效概率识别模块用于以所述芯片响应样本数据集进行失效概率识别后，得到与所述车载数据源对应的失效概率集合；

车载数据源标识模块，所述车载数据源标识模块用于根据所述失效概率集合对所述车载数据源进行定位，并标识失效概率集合大于预设失效概率的标识车载数据源；

芯片优化模块，所述芯片优化模块用于加载所述标识车载数据源的模型，并根据所述车载数据源的模型生成数据转换模块，将所述数据转换模块连接至所述实时AI芯片的数据接收端进行芯片优化；

转换数据源输出模块，所述转换数据源输出模块用于当所述实时AI芯片的数据接收端接收来自所述标识车载数据源的数据时，根据所述数据转换模块，输出标识转换数据源，再将所述标识转换数据源输入所述实时AI芯片中进行处理；

所述失效概率识别模块还用于：

根据所述车载数据源中各个数据源的失效特征，定义对应的概率密度函数；

以所述概率密度函数对所述车载数据源中各个数据源进行先验概率计算，输出先验概率集合；

联合所述概率密度函数对所述芯片响应样本数据集进行概率计算，输出后验概率集合；

以所述先验概率集合和所述后验概率集合得到与所述标识车载数据源对应的失效概率集合。