一种应用映射辅助的片上光互连光源功率梯度设置方法技术

本发明专利技术公开了一种应用映射辅助的片上光互连光源功率梯度设置方法，包括：获取待映射的应用和相应的网络拓扑；根据网络拓扑和选择的光路由器及路由算法建立光信噪比模型，并获得全局最坏情况下的最大插入损耗；利用光信噪比模型和智能算法获得应用与网络拓扑的最优映射方案；利用最优映射方案获得最小插入损耗，采用非均匀分布方式在最小光源功率与最大光源功率之间划分多个区间，形成多个光源功率梯度等级；根据光源功率梯度等级设置每个通信对源节点的光源功率。本发明专利技术通过自动地将IP核映射到ONoC节点以优化最坏情况下的OSNR，并在此基础上对光源功率进行梯度设置，优化了ONoC能耗，提高了片上通信功率效率和可靠性。提高了片上通信功率效率和可靠性。提高了片上通信功率效率和可靠性。

【技术实现步骤摘要】
一种应用映射辅助的片上光互连光源功率梯度设置方法


[0001]本专利技术属于片上光网络
，具体涉及一种应用映射辅助的片上光互连光源功率梯度设置方法。

技术介绍

[0002]随着多核系统的发展，传统的片上电网络在带宽、迟延等方面已经遇到严重的性能瓶颈。片上光网络(Optical Network
‑
on
‑
Chip,ONoC)的出现为片上通信提供了一种有前途的解决方案，但其遭受的可靠性挑战(如插入损耗、串扰)会限制它的可扩展性，因此对片上光互连中光信噪比(Optical Signal
‑
to
‑
Noise Ratio,OSNR)进行优化是必要的。同时，ONoC的能效对光源的功率有很大的依赖性，光源消耗的静态功率占总功率的很大比例，对于任务间的通信，过多的功率会造成额外的浪费，因此光源功率的合理设置也是必要的，使其在保证片上光互连正常通信的同时，最大限度地得到利用。
[0003]现有的一些工作主要通过利用网络中流量的时间和空间变化，对网络带宽进行调整来降低光源消耗的功率，以优化网络能耗。现有工作主要有以下不足：当片上光互连中进行通信时，即使在网络负载较低的条件下，若从源节点到目的节点遇到的插入损耗很小，这些方法仍然需要提供面向最坏情况插入损耗的较大的光源功率来对插入损耗进行补偿。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种应用映射辅助的片上光互连光源功率梯度设置方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供了一种应用映射辅助的片上光互连光源功率梯度设置方法，包括：
[0006]获取待映射的应用和相应的网络拓扑；
[0007]根据网络拓扑和选择的光路由器及路由算法建立光信噪比模型，并获得全局最坏情况下的最大插入损耗；
[0008]利用所述光信噪比模型和智能算法获得应用与网络拓扑的最优映射方案；
[0009]利用所述最优映射方案获得最小插入损耗，采用非均匀分布方式在所述最小光源功率与所述最大光源功率之间划分多个区间，形成多个光源功率梯度等级；
[0010]根据所述光源功率梯度等级设置每个通信对源节点的光源功率。
[0011]在本专利技术的一个实施例中，根据网络拓扑和选择的光路由器及路由算法建立光信噪比模型，并获得全局最坏情况下的最大插入损耗，包括：
[0012]根据所述光路由器和路由算法获得所述网络拓扑中N个节点中任意一对节点通信时产生的插入损耗和串扰，构成OSNR矩阵W，矩阵大小为N
×
N，所述OSNR矩阵W中的元素W(i,j)表示节点t
i
到节点t
j
通信时的光信噪比
[0013]获得全局最坏情况下的最大插入损耗，即网络拓扑中的所有节点在两两通信时产生的最大插入损耗。
[0014]在本专利技术的一个实施例中，所述智能算法为弹性网络算法。
[0015]在本专利技术的一个实施例中，利用所述光信噪比模型和智能算法获得应用与网络拓扑的最优映射方案，包括：
[0016]构造弹性网络并利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络；
[0017]利用训练后的弹性网络和应用通信关系矩阵R获得应用与网络拓扑的最优映射方案。
[0018]在本专利技术的一个实施例中，构造弹性网络并利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络，包括：
[0019]构造弹性网络，利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络，所述弹性网络的能量函数为：
[0020][0021]其中，α，β和K是尺度参数，x
i
为第i个节点对应的行向量，y
j
为第j个神经元的权重向量，yj+1为第j+1个神经元的权重向量，N为节点数量，h为神经元数量，
[0022]所述神经元的权重向量变化更新采用梯度下降法，对于第j个神经元，其权重向量的变化量为：
[0023][0024][0025]权重向量的更新公式为：
[0026]y
j
＝y
j
+Δy
j
，
[0027]其中，ω
ij
表示节点和神经元的邻近程度，当K＝0时，神经元的权重不再发生变化，训练结束。
[0028]在本专利技术的一个实施例中，利用训练后的弹性网络和应用通信关系矩阵R获得应用与网络拓扑的最优映射方案，包括：
[0029]训练完成后，保持弹性网络中神经元的权重向量不变，获取应用通信关系矩阵R；
[0030]在所述应用通信关系矩阵R中，计算每个IP核对应的行向量与所有神经元的欧氏距离，获取每个IP核对应与其欧式距离最小的神经元，将IP核和节点对应的神经元索引号分别从小到大排序，完成一对一映射，得到应用与网络拓扑的最优映射方案。
[0031]在本专利技术的一个实施例中，利用所述最优映射方案获得最小插入损耗，采用非均匀分布方式在所述最小光源功率与所述最大光源功率之间划分多个区间，形成多个光源功率梯度等级，包括：
[0032]利用所述光信噪比模型，获得所述最优映射方案中每个通信对对应的插入损耗，
选择最小的作为最小插入损耗。利用所述最小插入损耗和所述最大插入损耗获取最小光源功率和最大光源功率；
[0033]采用非均匀分布方式在所述最小光源功率和最大光源功率之间划分多个区间，形成多个光源功率梯度等级。
[0034]在本专利技术的一个实施例中，采用非均匀分布方式在所述最小光源功率和最大光源功率之间划分多个区间，形成多个光源功率梯度等级，包括：
[0035]在最小光源功率和最大光源功率之间获取中点光源功率在所述最小光源功率与中点光源功率之间均匀设置r/3
‑
r/2个光源功率梯度等级，在所述中点光源功率与所述最大光源功率之间均匀设置0
‑
2个光源功率梯度等级，其中，r表示通信对的个数。
[0036]在本专利技术的一个实施例中，根据所述光源功率梯度等级设置每个通信对源节点的光源功率，包括：
[0037]对于所述最优映射方案中的每个通信对，根据求出其源节点所需的光源功率，其中，S为目的节点的光电探测器灵敏度，表示节点t
s
到节点t
d
通信时的插入损耗；查看所求光源功率在所述光源功率梯度等级中的区间，并设置当前区间中的最大值作为当前源节点对应的最终光源功率。
[0038]本专利技术还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例中任一项所述应用映射辅助的片上光互连光源功率梯度设置方法的步骤。
[0039]与现有技术相比，本专利技术的有益效果在于：
[0040]1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用映射辅助的片上光互连光源功率梯度设置方法，其特征在于，包括：获取待映射的应用和相应的网络拓扑；根据网络拓扑和选择的光路由器及路由算法建立光信噪比模型，并获得全局最坏情况下的最大插入损耗；利用所述光信噪比模型和智能算法获得应用与网络拓扑的最优映射方案；利用所述最优映射方案获得最小插入损耗，采用非均匀分布方式在所述最小光源功率与所述最大光源功率之间划分多个区间，形成多个光源功率梯度等级；根据所述光源功率梯度等级设置每个通信对源节点的光源功率。2.根据权利要求1所述的应用映射辅助的片上光互连光源功率梯度设置方法，其特征在于，根据网络拓扑和选择的光路由器及路由算法建立光信噪比模型，并获得全局最坏情况下的最大插入损耗，包括：根据所述光路由器和路由算法获得所述网络拓扑中N个节点中任意一对节点通信时产生的插入损耗和串扰，构成OSNR矩阵W，矩阵大小为N
×
N，所述OSNR矩阵W中的元素W(i,j)表示节点t
i
到节点t
j
通信时的光信噪比OSNR
ti
→
tj
；获得全局最坏情况下的最大插入损耗，即网络拓扑中的所有节点在两两通信时产生的最大插入损耗。3.根据权利要求1所述的应用映射辅助的片上光互连光源功率梯度设置方法，其特征在于，所述智能算法为弹性网络算法。4.根据权利要求1所述的应用映射辅助的片上光互连光源功率梯度设置方法，其特征在于，利用所述光信噪比模型和智能算法获得应用与网络拓扑的最优映射方案，包括：构造弹性网络并利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络；利用训练后的弹性网络和应用通信关系矩阵R获得应用与网络拓扑的最优映射方案。5.根据权利要求4所述的应用映射辅助的片上光互连光源功率梯度设置方法，其特征在于，构造弹性网络并利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络，包括：构造弹性网络，利用每个节点对应的OSNR矩阵W中的行向量对所述弹性网络进行训练，获得训练后的弹性网络，所述弹性网络的能量函数为：其中，α，β和K是尺度参数，x
i
为第i个节点对应的行向量，y
j
为第j个神经元的权重向量，y
j+1
为第j+1个神经元的权重向量，N为节点数量，h为神经元数量，所述神经元的权重向量变化更新采用梯度下降法，对于第j个神经元，其权重向量的变化量为：
权重向量的更新公式为：y
j
＝y
j...

【专利技术属性】
技术研发人员：李慧，牛玉翔，顾华玺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：