论文部分内容阅读
随着集成电路工艺的发展,芯片集成度越来越高,功耗密度越来越大,由此导致的热量集中,使得芯片产生“热点”,进而影响芯片的可靠性和寿命。对于片上网络(Network-on-Chip,NoC),通过寻找合理映射方案分配各个节点任务,是解决功耗温度问题的有效措施。现有研究存在算法复杂、优化目标单一、方法片面等问题。本文提出一种基于离散萤火虫算法(Discrete Firefly Algorithm,DFA)的面向功耗温度的动静态结合NoC映射技术,主要工作如下:1)建立基于DFA的面向功耗温度的NoC映射算法。根据NoC功耗模型和NoC温度模型将NoC映射与NoC功耗温度联系起来,使用离散萤火虫算法和线性加权和法求解面向功耗温度的多目标优化问题,优化任务映射后NoC系统的功耗和温度。实验结果表明,与初始最优映射方案相比,全局最优映射方案通信总量(与功耗正相关)优化36.24%,最大温度优化12.97%;与面向通信总量的NoC映射算法相比,本算法牺牲2.74%的通信总量,使得最大温度降低11.85%。2)建立面向功耗温度的动静态结合NoC映射技术。根据NoC最高温度节点位置所有可能情况,建立完备的温度模式;离线时,对于每种温度模式,以NoC功耗、最高温度和目标节点温度为优化目标,使用基于DFA的映射算法,求解最优映射方案,建立映射库;在线时,根据系统最高温度节点位置,匹配温度模式,调用映射库中相应映射方案,优化NoC系统功耗温度。实验结果表明,静态优化时,通信总量优化42.46%,最大温度优化9.50%;动态调度时,目标节点温度最大优化30.75%,最小优化12.86%,平均优化22.69%。3)建立面向功耗温度的动静态结合NoC映射硬件平台。硬件平台包括基于AMBA的SoC平台和基于虫孔路由的可配置NoC平台,其中SoC平台用于温度计算、模式匹配、任务分配,NoC平台用于任务运行、流量监控。实验结果表明,动静态结合映射硬件平台与动静态结合映射技术间的误差均值为0.2512,误差标准差为0.131311;动态调度使得NoC “热点”位置不断迁移,有效避免“热点”集中在某一个区域。