光片上网络中基于神经网络的温度预测方法技术

本发明专利技术公开了一种光片上网络中基于神经网络的温度预测方法，包括：统计光片上网络各个节点电路由器的流量，获取流量矩阵；基于流量矩阵，通过流量与温度之间的转换关系生成温度矩阵

【技术实现步骤摘要】
光片上网络中基于神经网络的温度预测方法


[0001]本专利技术属于光片上网络
，具体涉及一种光片上网络中基于神经网络的温度预测方法
。

技术介绍

[0002]光片上网络
(Optical Network
‑
on
‑
Chip
，
ONoC)
是一种在多核芯片领域新兴的通信体系架构，其使用片上光互连取代传统的片上电互连，具有低延迟
、
高带宽
、
低电磁干扰等优势
。
随着芯片上集成的处理器核心数量越来越多，导致光片上网络温度过高，过高的温度会影响芯片性能
、
可靠性和芯片寿命，比如，过高的温度会影响片上光器件的工作，从而使光片上网络的可靠性变差，严重时使片上通信无法进行
。
[0003]如何精确地获得芯片上各处理器核心的温度从而进行任务的重新调度和分配，对于保证光片上网络的可靠性和性能至关重要
。
现有的获得温度的技术通常基于硬件或者软件来实现，其中，基于硬件获得温度的技术具有高准确率和高效率的特点，但是需要以额外的片上面积开销和成本作为代价；现有基于软件获得温度的技术不需要额外的硬件支持，但是其具有速度慢
、
负载大的特征，不能满足片上系统性能的要求
。

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光片上网络中基于神经网络的温度预测方法
。
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光片上网络中基于神经网络的温度预测方法，包括：
[0006]S1
：统计光片上网络各个节点电路由器的流量，获取流量矩阵
Traffic
t
；
[0007]S2
：基于流量矩阵
Traffic
t
，通过流量与温度之间的转换关系生成温度矩阵
TEMP
t
；
[0008]S3
：分别获得从
t
‑
K+1
时刻至
t
时刻每个时刻的温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
，其中，
K
表示时间展开步；
[0009]S4
：将所述温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
依次输入至经训练的神经网络模型中，输出
t+1
时刻的预测温度矩阵
Predict
t+1
。
[0010]在本专利技术的一个实施例中，所述
S1
包括：
[0011]S1.1
：根据光片上网络所有原节点的水平位置和垂直位置构建
Hanan
网格，每个原节点均位于所述
Hanan
网格的一个交叉节点上；
[0012]S1.2
：基于
Hanan
网格建立笛卡尔直角坐标系，所述笛卡尔直角坐标系的单位长度等于
Hanan
网格的网格距离，并将所述原节点变更为所述笛卡尔直角坐标系中的
Hanan
网格节点；
[0013]S1.3
：收集所述
Hanan
网格中每个节点
v1、v2、
…
、v
last
电路由器的流量其中，
v
i
，
j
和
v
k
，
l
分别表示任意两个
Hanan
网格节点；
[0014]S1.4
：以为流
量矩阵的元素，构建流量矩阵
[0016][0017]其中，源节点和目的节点相同时，元素流量大小为0；若节点
v
i
，
j
不属于光片上网络中的原节点，则以节点
v
i
，
j
作为源节点或目标节点的任意流量大小均为
O。
[0018]在本专利技术的一个实施例中，所述温度矩阵
TEMP
t
的表达式为：
[0019][0020]其中，温度矩阵
TEMP
t
中第
(i
，
j)
个元素表示节点
v
i
，
j
的温度，的表达式为：
[0021][0022]其中，
α
和
β
为流量到温度的转换参数
。
[0023]在本专利技术的一个实施例中，所述
S4
包括：
[0024]S4.1
：构造训练数据集并利用所述训练数据集对所述神经网络进行训练，获得经训练的神经网络模型；
[0025]S4.2
：将所述温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
依次输入至经训练的神经网络模型中，输出
t+1
时刻的预测温度矩阵
Predict
t+1
。
[0026]在本专利技术的一个实施例中，所述
S4.1
包括：
[0027]S4.11
：在均匀流量模式
、
转置流量模式或热点流量模式下，生成在时间上服从泊松分布的流量数据集，通过流量数据集构建流量矩阵，然后将流量矩阵转化为温度矩阵，作为训练数据集；
[0028]S4.12
：随机初始化神经网络中的权重参数，将所述训练数据集输入所述神经网络中，通过前向传播算法得到损失函数，再通过反向传播算法实现损失函数的最小化，更新神经网络中的权重参数，其中，损失函数为实际温度矩阵与预测温度矩阵之间的均方误差；
[0029]S4.13
：当训练的迭代次数达到预设阈值或所述损失函数收敛时，结束训练，获得经训练的神经网络模型
。
[0030]在本专利技术的一个实施例中，所述神经网络为基于自注意力机制的
CNN
和
LSTM
神经网络，包括依次连接的卷积层
、
池化层
、LSTM
层
、
自注意力层和全连接层
。
[0031]在本专利技术的一个实施例中，所述
S4.2
包括：
[0032]S4.21
：将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光片上网络中基于神经网络的温度预测方法，其特征在于，包括：
S1
：统计光片上网络各个节点电路由器的流量，获取流量矩阵
Traffic
t
；
S2
：基于流量矩阵
Traffic
t
，通过流量与温度之间的转换关系生成温度矩阵
TEMP
t
；
S3
：分别获得从
t
‑
K+1
时刻至
t
时刻每个时刻的温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
，其中，
K
表示时间展开步；
S4
：将所述温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
依次输入至经训练的神经网络模型中，输出
t+1
时刻的预测温度矩阵
Predict
t+1
。2.
根据权利要求1所述的光片上网络中基于神经网络的温度预测方法，其特征在于，所述
S1
包括：
S1.1
：根据光片上网络所有原节点的水平位置和垂直位置构建
Hanan
网格，每个原节点均位于所述
Hanan
网格的一个交叉节点上；
S1.2
：基于
Hanan
网格建立笛卡尔直角坐标系，所述笛卡尔直角坐标系的单位长度等于
Hanan
网格的网格距离，并将所述原节点变更为所述笛卡尔直角坐标系中的
Hanan
网格节点；
S1.3
：收集所述
Hanan
网格中每个节点
v1、v2、
…
、v
last
电路由器的流量其中，
v
i,j
和
v
k,l
分别表示任意两个
Hanan
网格节点；
S1.4
：以为流量矩阵的元素，构建流量矩阵流量矩阵的元素，构建流量矩阵流量矩阵的元素，构建流量矩阵其中，源节点和目的节点相同时，元素流量大小为0；若节点
v
i,j
不属于光片上网络中的原节点，则以节点
v
i,j
作为源节点或目标节点的任意流量大小均为
0。3.
根据权利要求2所述的光片上网络中基于神经网络的温度预测方法，其特征在于，所述温度矩阵
TEMP
t
的表达式为：
其中，温度矩阵
TEMP
t
中第
(i,j)
个元素表示节点
v
i,j
的温度，的表达式为：其中，
α
和
β
为流量到温度的转换参数
。4.
根据权利要求1所述的光片上网络中基于神经网络的温度预测方法，其特征在于，所述
S4
包括：
S4.1
：构造训练数据集并利用所述训练数据集对所述神经网络进行训练，获得经训练的神经网络模型；
S4.2
：将所述温度矩阵
TEMP
t
‑
K+1
、TEMP
t
‑
K+2
、
…
、TEMP
t
依次输入至经训练的神经网络模型中，输出
t+1
时刻的预测温度矩阵
Predict
t+1
。5.
根据权利要求1所述的光片上网络中基于神经网络的温度预测方法，其特征在于，所述
S4.1
包括：
S4.11
：在均匀流量模式
、
转置流量模式或热点流量模式下，生成在时间上服从泊松分布的流量数据集，通过流量数据集构建流量矩阵，然后将流量矩阵转化为温度矩阵，作为训练数据集；
S4.12
：随机初始化神经网络中的权重参数，将所述训练数据集输入所述神经网络中，通过前向传播算法得到损失函数，再通过反向传播算法实现损失函数的最小化，更新神经网络中的权重参数，其中，损失函数为实际温度矩阵与预测温度矩阵之间的均方误差；
S4.13
：当训练的迭代次数达到预设阈值或所述损失函数收敛时，结束训练，获得经训练的神经网络模型

【专利技术属性】
技术研发人员：李慧，赵嘉禾，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：