[发明专利]一种基于负载加权的最短路径路由生成方法

说明书

本发明公开了一种基于负载加权的最短路径路由生成方法，涉及路由技术领域，通过迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径。根据每次多播路由的源与目的地，基于芯片间的历史通信负载情况进行加权，离线地计算出多播路由中的最短路径路由，并生成固定路由表来实现最短路径路由策略，固定路由生成方法保证芯片间的路由路径为最短路径，同时全局负载低于现有方法，并保证了芯片间的负载均衡。

技术领域

本发明涉及类路由技术领域，尤其是一种基于负载加权的最短路径路由生成方法。

背景技术

脉冲神经网络(SNN)被称为第三代人工神经网络，更加接近于人脑的实际行为，同时将时间信息的纳入考虑。脉冲神经网络通过模拟神经元的活动进行学习和推理。神经元之间通过突触连接，以脉冲的形式传递信息，通过突触可塑性对自身进行调整，达到学习和记忆的效果，实现神经网络的预期功能。

神经拟态计算的具体实现与脉冲神经网络极为相似。不同的是脉冲神经网络是被设计用于特定的应用场景的人工智能，其目的是实现一定的推断功能。而神经拟态计算旨在通过同化人脑的部分生物学信号，从而在一定程度上对人脑进行学习和模仿。这对深入认识大脑的结构和功能，了解思维过程中的意识流向有着重要的作用。

无论是脉冲神经网络或者神经拟态计算，都离不开庞大算力的支持。现有的CPU在大规模并行计算上并不占有优势，而GPU也存在这内存墙瓶颈，通用化的运算单元与存储单元带来了普适性的同时也决定了它并不完美契合类脑计算的需求。因此定制化的FPGA或ASIC芯片能够更好适应类脑计算，有着广阔的应用场景。其计算单元完全依据神经拟态算法来设计，移去了冗余。计算单元也与存储单元更加靠近，减少了数据存取的开销，解除了内存墙瓶颈。神经间的信号传递更契合稀疏的特性，减少了不必要的带宽占用。同时稀疏特性有助于解决超算芯片面临的超高能耗问题。

大规模类脑计算网络可以支持大体量的脉冲神经网络和神经拟态计算，为其提供传统计算平台不具备的超高算力。但是大规模类脑计算网络下，传统路由生成方法并不能够满足类脑芯片间的多播通信的时延要求和负载限制，造成信道堵塞或丢包等问题，影响芯片间的通信质量，因此发展能够支撑大规模类脑计算网络的路由方法至关重要。

发明内容

本发明针对现有技术的不足，提出一种基于负载加权的最短路径路由生成方法，针对组网为二维Mesh网络或二维Torus网络的大规模类脑计算网络，根据每次多播路由的源与目的地，基于芯片间的历史通信负载情况进行加权，离线地计算出多播路由中的最短路径路由，并生成固定路由表来实现最短路径路由策略，固定路由生成方法保证芯片间的路由路径为最短路径，同时全局负载低于现有方法，并保证了芯片间的负载均衡。

为了实现上述发明目的，本发明提供以下技术方案：

一种基于负载加权的最短路径路由生成方法，包括：

迭代计算源芯片到目的地芯片的距离，获取距离最小的路径；

以全局负载记录为权重，对所述路径进行加权，广度搜索得最小加权路径。

优选的，初始化全局负载记录L，

设定发出脉冲的源芯片为s*；

设定集合S为可以对数据包进行转发的芯片集，初始为s*；

设定集合D为所有需要但未获得该数据包的目的地芯片；

设定集合P为所有距离最小的路径，初始值为0，表示暂未计算出路径；

则单次多播路由包括如下步骤：

步骤(1)迭代计算集合S与集合D中所有元素间平面距离，并取距离最小的一对S(i)和D(j)，其中S(i)表示集合S中为i的芯片；D(j)表示集合D中为j的芯片；