论文部分内容阅读
片上网络（Network-on-Chip,NoC）作为一种新的通讯架构,相对于传统总线具有并行度高、扩展性强等特点。片上网络启用流量拆分带来了多路径路由功能,显著地增加了链路带宽。然而,由于流量的不均衡导致产生乱序数据包问题,因此需要一种重排序机制以保证数据包按顺序传递。但是,太小的重组缓存可能会导致数据包丢失。因此如何使重组缓存区的尺寸最小,并确保在最坏情况下的数据包重组不会丢失,已成为NoC设计重要挑战。面向该问题,本文开展如下工作:（1）研究三维片上网络重组缓存分析与优化方法。本文基于网络演算,根据两条子流的重组缓存推导出多条子流在三维片上网络中的最坏情况下重组缓存模型。还提出了一种基于流量分裂的最坏情况重排序缓冲区大小设计方法,通过类似并行电阻的理论来减少最坏情况重排序缓冲区的大小。实验结果表明,与OLITS[43]相比,在最差情形下的重组缓存本文的拆分方法优化了14.4%-20.88%。（2）提出多级数据包重排序NoC架构。传统的数据包重排序方法依赖于本地单级重组缓存,这会导致片上热点,从而加剧芯片老化,甚至导致互连故障。本文提出一种多级数据包重排序（Multi-stage Packet Reordering:MPR）方案,该方案有效地缓解了因局部重新排序而引起的热点,从而提高了片上网络的热安全性和性能。实验结果表明本文的方法在热效率上得到了显着改善,例如:相对于一级重组缓存,三级重组缓存热点温度降低了10.10%-14.84%。本文进一步设计两种重组缓存结构来支持MPR方法,包括减少热点的重排序缓冲区（Hotspot-reducing Reorder Buffer:HRB）和减少热点的弹性重排序缓冲区（Hotspot-reducing Elastic Reorder Buffer:HERB）。特别是,HERB具有弹性的双区域（FIFO区域和Ro B区域）缓冲区结构,具有可配置的数据包大小和目标流的突发长度。因此,HERB可以进行多阶段重新排序,同时将资源使用量降至最低,减少硬件开销。HERB相对于Basic、NoCs’14[52]、HRB三种架构,工作频率从200 MHZ提高到300 MHZ,面积分别减少了28.1%,29.4%,61.4%。（3）设计一种基于强化学习的全局调控NoC架构。在片上网络中,性能优化是另外一个研究重点。与静态路由方案相比,动态路由方案可以更好地减少网络拥塞时数据包传输时延的数据。因此,本文根据机器学习里强化学习中的Q-learning算法,全局调控网络,提高了数据传输效率,减少热点问题,保证芯片在高速通信的同时还有良好的温度,从而保障芯片安全可靠。实验结果表明相对于传统路由算法,网络延迟降低了22.9%-49.5%。