[发明专利]基于多目标遗传算法的片上网络内存控制器布局方法

说明书

本发明公开了一种基于NSGA‑2的多核片上网络内存控制器布局优化方法，其实现步骤为：对内存控制器布局优化问题建模；使用多目标遗传算法NSGA‑2搜索得到模型最优布局集；在模型最优布局集中通过黄金分割法筛选得到实际最优布局。本发明通过代数式建模减少了方案的时间复杂度；对优化目标细致分析并拆分目标建立精确的目标函数，保证了优化的精确度；使用改进后的NSGA‑2算法对存控布局问题进行多目标优化，求解出问题的模型最优布局集，保留了寻找综合性能最优的布局的机会。实现了多核片上网络内存控制器布局封装化、自动化，大大缩短了内存控制器布局优化的时间，可用于高阶网络下的布局优化。

技术领域

本发明属于电通信技术领域，更进一步涉及数字信息的传输技术领域中的基于多目标遗传算法的片上网络内存控制器布局方法。本发明用于搭建对应最优内存控制器布局的片上网络系统，降低片上网络中的流量访存开销，提高片上网络通信效率，提升系统整体性能。

背景技术

相较于单核系统，多核片上系统具有更强的性能优势，如今越来越多处理核心被集成到单块芯片上。但国际半导体技术蓝图(ITRS)指出，单芯片封装引脚数量增长速率每年低于10％，在满足处理器核快速增长的引脚需求前提下，片上可分配给内存控制器的引脚资源不足，导致内存控制器数量远少于处理器核数量。由于通信节点数量与处理器核数量相等，此时少量内存控制器连接大量通信节点会产生多种不同的布局方式，改变布局方式影响访存流量路径进而影响系统性能。基于以上原因，内存控制器布局需被优化。现有内存控制器布局方案普遍遵循最优化处理流程，即确定优化目标，建立数学模型，最后通过优化算法得到最优解。

Dennis Abts，John Kim等人在其发表的论文“Achieving Predictable Perfo-rmance through Better Memory Controller Placement in Many-Core CMPs”(International Symposium on Computer Architecture，Austin，Texas，USA， 2009)中提出一种基于仿真建模的优化内存控制器布局的方法。优化步骤为：1)确定优化目标，即通过改变内存控制器布局来增大系统的理想吞吐量，理想吞吐量可由参数“最大通道负载”决定；2)将“最大通道负载”做为某一布局的评价函数，通过合成流量仿真来求解此评价函数；3)使用遗传算法和随机游走算法搜索得到最优解。但是，该方法存在的不足之处是：在遗传算法每一代求评价函数过程中，为了保证流量模式高度随机，需对每个个体进行高达上万次不同类型的合成流量仿真，导致该方法时间复杂度高，扩展性很差。

Ting-Ru Lin等人在其发表的论文“Design Space Exploration of Memory Con-troller Placement in Throughput Processors with Deep Learning”(IEEE Comp-uter Architecture Letters，vol.18，no.1，pp.51-54，2019)中提出了一种基于深度学习的优化内存控制器布局的方法。优化步骤为：1)确定优化目标，即通过改变内存控制器布局来增大系统运行时的“周期指令数(IPC)”；2)收集模型训练数据，包括有布局方式、最大通道负载、虚拟通道独占情况、平均跳数、独占虚拟通道的数量以及通过全系统仿真收集到的IPC；3)训练性能预测模型；4)将训练出的模型作为迭代过程中的评价函数。5)使用启发式算法搜索得到最优解。但是，该方法存在的不足之处是：需利用机器学习训练预测模型，训练开销很大，方案扩展能力十分有限，应用价值低。