基于动态调整的弹性片上网络路由算法

摘要：

片上网络具有良好的可拓展性和并行性,能够应对多核处理器的各种通信需求.路由算法对片上网络的性能和效率有较大的影响.网络流量不均衡可导致拥塞和热点,严重影响整个网络的性能.当前学界已提出了本地感知、区域感知和全局感知的自适应路由算法来缓解拥塞问题.然而,这些算法依然存在一些问题,如近视、非全局最优、开销高.本文提出了基于强化学习中sarsa奖惩机制思想的路由算法,简称TCRA.TCRA针对Mesh网络中无死锁的路由限制来确定每一跳的可选输出端口,并基于sarsa模型进行非最短路由的策略选择和拥塞值更新.此外,TCRA中还引入了基于延迟的阈值更新机制,通过增加一些阈值的限制来动态调整拥塞值,从而平衡网络中的流量分布.实验结果表明,与传统的区域感知路由算法相比,TCRA能够将网络延迟平均减少30％,并降低13％的功耗.与传统的基于强化学习的路由算法相比,TCRA也能够平均降低20％的延迟,并具有较低的路由器面积开销.

关键词：片上网络、无拥塞路由、自适应路由算法、强化学习、sarsa模型

所属期刊栏目：12

分类号：TP393(计算技术、计算机技术)

资助基金：安徽省重点研究与开发计划项目;安徽省自然科学基金

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1-8,14