一种片上网络高速数据采集系统映射方法技术方案

本发明专利技术公开了一种片上网络高速数据采集系统映射方法，该映射方法由片上网络映射模型和映射效果评价模型两部分组成。片上网络映射模型由编码器和解码器组成，编码器将数据采集系统中节点按功能分类为采集节点、存储节点、传输节点、控制节点四类，采用图卷积神经网络根据任务图中的节点种类和节点间的连接关系进行图编码得到任务图中各节点的编码器向量，关键作为Query向量，与未映射节点编码向量做单头注意力运算，将未映射节点的注意力值作为该节点成为下个映射节点的概率以波束搜索的方式获得同一问题的多组解序列，计算各组解序列作为映射结果的实际通讯时延，选择通讯时延最小的解序列作为最终解序列。训练引入映射效果评价模型作为基线以强化学习的方式来对片上网络映射模型进行无监督训练。本发明专利技术构建的片上网络高速数据采集系统映射方法具有针对同一NoC架构进行模型训练即可实现同类待映射问题快速且高效的求解。问题快速且高效的求解。问题快速且高效的求解。

【技术实现步骤摘要】
一种片上网络高速数据采集系统映射方法


[0001]本专利技术涉及片上网络高速数据采集系统领域，具体涉及一种基于数据采集系统节点分类的片上网络系统映射方法。

技术介绍

[0002]数据采集技术是电子装备状态监测不可或缺的手段，随着国民经济的发展，对数据采集的速度等指标要求越来越高。然而数据采集及以此为基础的测控系统、相关高端仪器设备受到核心器件——模数转换器(Analog to Digital Converter，ADC)制造工艺的限制，单片模数转换器件的速度不可能无限增加。因此用多片转换器件采用时间交替ADC(Time
‑
interleaved ADC，TIADC)采样技术是提高采样率、保证系统采样性能的最可行方法之一，能够有效突破单片ADC芯片转换速率对系统采样率的限制，实现更高速的数据采集。目前的TIADC都是基于传统的总线架构设计，随着电子设计与制造工艺的迅速发展，基于总线架构的片上系统面临通信带宽低、时钟同步难、可扩展性差等难以突破的瓶颈问题，影响了性能指标的提升，使得ADC芯片数量扩展受限。
[0003]片上网络(Network on Chip，NoC)将计算机网络技术引入到芯片设计中，是一种全新的集成电路体系结构，采用分组和路由交换技术代替传统的总线技术实现通信，从体系结构上彻底打破了传统总线通信的局限性，解决了片上通讯的瓶颈和时钟问题，大幅增加了片上系统的通信带宽，片上网络结构也使得片上系统地址空间不受限制，提升了电路的可扩展性。
[0004]将片上网络的资源节点设计为数据采集、存储和传输等功能节点，采用交替采样原理实现易扩展、高采样率、低延时以及高吞吐率的片上网络数据采集系统，解决目前基于传统总线的时间交替采样方法存在的同步困难、通信带宽受限、可扩展性差等问题。
[0005]片上网络映射方案确定了各资源节点在NoC拓扑结构的位置，因此，映射算法的优化是实现NoC低功耗和低延时的重要手段。对于规模较小的片上网络，利用穷举遍历的方法或群体智能进化的方法可以在较短的时间寻找出较优方案，然而，高速数据采集系统中同类型采集节点数量越多，数据采集系统的采集速率越高，面对数据采集系统节点数量众多的问题，穷举遍历的方法或群体智能进化的方法就会变得非常耗时。近年来随着人工智能技术的发展，深度强化学习“离线训练、在线决策”的特性为快速求解片上网络高速数据采集系统映射问题提供了新的方法，因此利用深度强化学习方法解决NoC映射问题是一个很好的选择。

技术实现思路

[0006]针对片上网络高速数据采集系统映射问题，本专利技术提出一种片上网络高速数据采集系统映射方法，其特点是对高速数据采集系统任务图中的节点按功能进行分类经图卷积神经网络对任务图中节点进行编码，在映射模型解码器中引入任务图全局信息、任务图局部信息和动态关键节点信息作为Query向量来和为映射节点进行相似度计算，使用波束搜
索的方式求得同一待映射任务图多组映射解，选择使得高速数据采集系统时延最小的映射解作为最终解。该方法优点于映射时充分挖掘高速数据采集系统节点功能特点完成数据采集系统映射。本专利技术包括：
[0007]步骤1、获得待映射高速数据采集系统任务图，将任务图中的节点按其功能分为采集节点、存储节点、传输节点、控制节点四类，并进行one
‑
hot编码，编码结果分别为采集节点[1，0，0，0]、传输节点[0，1，0，0]、传输节点[0，0，1，0]、控制节点[0，0，0，1]。
[0008]步骤2、将节点类别向量和待映射任务图作为图卷积神经网络的输入，图卷积神经网络提取任务图中节点信息和节点间结构信息对任务图中节点信息编码，编码器输出为{e0，e1，
…
，e
n
‑1，e
n
)，编码公式如下：
[0009]其中A是图的邻接矩阵，I是单位矩阵，是图的度矩阵，度指图中指定节点相连的边的条数，H是每一层节点的特征，对于输入层的话，H就是初始输入X，σ是非线性激活函数。
[0010]步骤3、解码器将任务图中节点编码向量{e0，e1，
…
，e
n
‑1，e
n
}和节点分类向量作为输入，将节点编码向量求均值运算作为任务图全局信息，将最近映射的3个节点的编码向量作为任务图局部信息，解码器根据任务图全局信息和局部信息在所有的存储节点中动态的选择两个存储节点的编码向量作为任务图关键信息，动态关键节点的选择由带掩码的单头注意力机制获得。
[0011]步骤4、解码器融合任务图全局信息、局部信息和动态关键节点信息作为注意力机制的Query向量来和未映射节点编码向量做匹配度计算，选择匹配度高的节点作为下个映射节点完成映射。
[0012]步骤5、采用波束搜索的方法循环步骤3和步骤4得到多组映射解M{M1，M2，
…
，M
n
}，选择使得数据采集系统时延最小的解作为最终映射解选择使得数据采集系统时延最小的解作为最终映射解即从1到n的数字排列，其中索引表示架构上的路由节点，元素表示任务图中的IP核。
[0013]步骤6、映射效果评价模型由全连接神经网络构成，针对输入待映射任务图估计其通讯时延。
[0014]步骤7、将片上网络映射模型的实际系统时延作为L(π)，映射效果评价模型估计的系统通讯延时作为基线b(s)，通过梯度下降优化片上网络映射模型，公式如下：
[0015][0016]其中L(θ|s)＝E
pθ(π|s)
[L(π)]，L((θ|s)为待映射任务图通讯延时的期望。
[0017]步骤8：将片上网络映射模型解序列计算出的系统通讯延时L(π)作为实际值，映射效果评价模型估计的系统通讯延时b(s)作为预测值，通过均方误差(MSE)作为损失函数优化映射效果评价模型，公式如下：
[0018]MSE(L(π)，b(s))＝(L(π)
‑
b(s))2附图说明
[0019]图1是本专利技术一种片上网络高速数据采集系统映射方法的系统框图；
[0020]图2是片上网络高速数据采集系统模型；
[0021]图3是本专利技术片上网络高速数据采集系统任务图输入与映射序列输出示意图；
[0022]图4是本专利技术片上网络高速数据采集系统映射模型编码器部分示意图；
[0023]图5是本专利技术片上网络高速数据采集系统映射模型解编码器部分示意图；
[0024]图6是片上网络高速数据采集系统映射模型训练结果。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术具体实施例中的技术方案进行清楚、完整地描述：
[0026]如图1所示是片上网络高速数据采集系统映射方法的系统框图，系统框图由映射模型和映射效果评价模型两部分组成，映射模型求解高速数据采集系统任务映射解序列并根据映射解序列数据采集系统实际的通讯时延，映射效果评价模型对具体任务图评估其通讯时延，根据实际时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种片上网络高速数据采集系统映射方法，其特征在于，包括以下步骤：步骤1、输入待映射高速数据采集系统任务图，将任务图中的节点按其功能分为采集节点、存储节点、传输节点、控制节点四类，并进行one
‑
hot编码，编码结果分别为采集节点[1,0,0,0]、传输节点[0,1,0,0]、传输节点[0,0,1,0]、控制节点[0,0,0,1]；步骤2、将节点类别向量和待映射任务图邻接矩阵作为图卷积神经网络的输入，图卷积神经网络提取任务图中节点信息和节点间结构信息对任务图中每个节点进行编码，编码器输出为{e0,e1,
…
,e
n
‑1,e
n
}，编码公式如下：其中A是图的邻接矩阵，I是单位矩阵，是图的度矩阵，度指图中指定节点相连的边的条数，H是每一层节点的特征，对于输入层的话，H就是初始输入X，σ是非线性激活函数；步骤3、解码器将任务图各节点编码向量{e0,e1,
…
,e
n
‑1,e
n
}和节点分类向量作为输入，将节点编码向量求均值作为任务图全局信息，最近映射的3个节点的编码向量作为任务图局部信息，解码器根据任务图全局信息和局部信息在所有的存储节点中动态选择两个存储节点的编码向量作为任务图关键信息，动态关键节点的选择由带掩码的单头注意力机制获得；步骤4、解码器融合任务图全局信息、局部信息和动态关键节点信息作为注意力机制的Query向量来和未映射节点编码向量做匹配度计算，选择匹配度高的节点作为下个映射节点完成映射；步骤5、...

【专利技术属性】
技术研发人员：许川佩，王阳，马贤，施秀丽，邓运辉，胡聪，牛军浩，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：