CMP架构中片上网络访存行为的流量建模

发布时间：2020-04-08 15:15

【摘要】：片上网络流量是评估网络性能的基础,网络流量模型能够全面地捕获片上网络上出现的流量行为。在芯片架构设计初期,以流量模型作为负载输入可以对片上网络以及片上系统做出初步快速的评估,因此网络流量模型的好坏直接影响系统建模的成功与否。目前,已有的片上网络流量模型分为短相关模型和自相似模型两类。但是,这两类模型一方面都未关注片上网络访存行为中读写行为对流量的影响,另一方面它们不能精确的评估共享缓存型的片上网络性能。本文针对共享缓存型CMP架构的多核系统,研究片上网络访存行为中读写行为对片上网络流量的分布影响,给出了一种适用于共享缓存型片上网络架构评估的流量模型。首先通过实验分析片上网络访存行为中读行为和写行为在片上网络中产生的不同流量特性,根据读写行为的流量特性,提取相关的特征参数,组成一个包含三个参数的流量模型。然后,搭建仿真平台,提取片上网络的流量数据,根据提取的特征参数,进行具体的数据量化。同时设计合成流量工具,用于把模型得到的特征参数拟合成可以注入片上网络仿真器使用的流量数据。最后,进行流量模型的Husrt参数值、精确度和运行效率的验证。实验结果表明,对比于全系统仿真,本文提出的流量模型精度误差小于5%,使用本文的流量模型评估片上网络架构性能可节约70%的仿真时间。对比于未考虑访存行为的流量模型,精度提升10%。另外,本文提出的模型可适用于mesh和turos两种拓扑结构。
【图文】：

泊松分布,流量模型,泊松分布

图 2-3 泊松分布流量模型3.2 自相似流量模型由于应用的复杂特性以及网络协议的一些固有特征，学者们对网络流量深入研究之后，络流量在任何时间尺度上都存在突发特性。以泊松流量模型为代表的短相关流量模型，在小间尺度下可以很好地描述流量，但随着时间尺度的增大，流量的突发特性会被缓和，不能很描述流量长相关特性。长相关模型是相对于短相关流量模型而来的。在长相关模型中，自相数的表达式为： ( ) 在公式(2.3)中，，在长相关中，自相关函数衰减比短相关函数缓慢， ∞ 散。其中，自相似流量是一种最具代表的长相关流量。自相似性是分形(Fractal)的一个重要的特征。分形是指某个形体是由许多和整体有某种相的局部组成的。简单来说，就是局部与整体相似，在局部中又有局部的相似，并且在局部当

示意图,自相似流量,示意图

图 2-4 ON-OFF 源叠加产生自相似流量示意图片上网络访存行为的流量模型上述章节中，，以泊松分布模型为代表的短相关模型的优点是从根本上抓象；建立的模型结构简单，参数的估算及检验方法相对容易。但是其缺点网络的猝发特性；没有描述流量的空间特性；不关注片上网络访存行为量分布不同。F 模型为代表的自相似模型，其优点是有效地描述片上网络流量自相似和时间特性。该类模型方法存在的缺点是模型假设随机过程满足高斯分行为中读写行为不同引起的流量分布不同。adr[15]提出一种基于马尔科夫过程的优化流量模型，该模型通过片上网行为两个状态，结合马尔科夫模型来合成自相似的流量。关于 MarioBa介绍，首先需要介绍基于马尔科夫过程的流量模型。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN47

【参考文献】