《CMES - Computer Modeling in Engineering and Sciences》:A Comprehensive Literature Review of AI-Driven Application Mapping and Scheduling Techniques for Network-on-Chip Systems
编辑推荐:
随着新计算架构的发展,片上网络(Network-on-Chip, NoC)系统正被逐步部署用于连接大规模并行百核(megacore)系统。因此,应用映射已成为影响系统性能与可扩展性的重要方面,因为当前趋势要求将计算任务分布到网络节点/点上。本综述调研了大量面向
随着新计算架构的发展,片上网络(Network-on-Chip, NoC)系统正被逐步部署用于连接大规模并行百核(megacore)系统。因此,应用映射已成为影响系统性能与可扩展性的重要方面,因为当前趋势要求将计算任务分布到网络节点/点上。本综述调研了大量面向NoC架构的映射与调度技术,并重点聚焦于三维(3D)系统。研究人员采用系统性文献综述方法,对静态、动态、混合及基于机器学习的方法,以及近期工作中初步的基于AI的动态模型进行了分析。研究人员将这些方法划分为功耗感知映射、故障容错、负载均衡以及面向动态工作负载的自适应等主要类别。同时,研究人员依据延迟、吞吐量、响应时间和错误率等性能参数评估了每种方法的有效性。此外,还重点指出了能量效率、实时自适应性和强化学习集成等关键挑战。据研究人员所知,这是近期少数同时涵盖现代NoC上传统映射算法与基于AI映射算法并揭示研究挑战的综述之一。最后,研究人员通过轻量级学习模型与分层映射框架,为未来改进系统适应性和可扩展性的工作提供了方向。
1. 引言
随着多处理器片上系统(Multiprocessor System-on-Chip, MPSoC)平台向大规模并行百核设计发展,片上网络(Network-on-Chip, NoC)已成为现代芯片互连的主流通信范式。传统共享总线与点对点互连难以满足可扩展性、延迟和功耗效率需求,应用映射与调度因此成为决定系统性能、可扩展性与可靠性的关键因素。早期研究以解析方法和优化模型为主,通过带宽约束、拓扑感知布局等策略降低通信开销;随后逐渐引入故障容错、自适应重映射、服务质量感知路由以及元启发式优化方法,如粒子群优化(Particle Swarm Optimization, PSO)和灰狼优化。近年来,强化学习(Reinforcement Learning, RL)与机器学习(Machine Learning, ML)方法在映射决策中表现突出;三维(3D)NoC还引入了热感知与流量感知映射以缓解热点问题。本文通过系统性文献综述对这些方法进行归类,并总结当前研究挑战。
2. 材料与方法
本综述采用PRISMA启发的筛选流程,在ScienceDirect、Springer、IEEE Xplore、ACM数字图书馆等数据库中检索2014至2025年间发表的英文同行评审文献,并使用布尔检索式如“Network-on-Chip AND application mapping”“NoC AND dynamic scheduling”等。初步检索共获得643篇论文;通过标题与摘要初筛保留354篇,全文复筛后保留238篇,最终选定152篇主要研究。由于灰色文献的同行评审标准不一致,仅简要浏览而未纳入正式分析。检索结果按来源统计,主要来自IEEE Xplore、Google Scholar、ACM、ScienceDirect和Springer。
3. 应用映射的挑战
将多个应用映射到不同节点需要考虑节点状态、位置、流量负载、热状况、网络状态与故障等因素,因此应用映射面临动态工作负载适应与能量效率两大核心挑战。例如,自适应性混合NoC需要在通信速度与能量效率之间取得平衡;实时嵌入式应用映射需在满足时序约束的同时尽量减小面积开销;深度强化学习可用于根据网络拥塞动态配置资源;基于机器学习的方法需要确保在不同场景下提供正确的通信路径。对环形(Ring)以及2D/3D Mesh等拓扑进行可扩展且灵活的设计同样具有挑战性。
4. 应用映射的分类体系
4.1 分类设计依据
本文将应用映射技术划分为动态、静态、混合和基于机器学习四类,依据映射决策发生在运行时还是部署前、是否集成多种范式以及是否采用学习型优化方法进行划分。虽然各类之间存在交叉,例如强化学习本质上具有动态性,但该分类体系仍便于对不同方法进行系统比较。
4.2 技术分类
动态映射包括能量感知、拥塞感知、故障感知以及延迟/执行时间感知等方法;静态映射则涵盖精确映射和基于搜索的启发式/元启发式映射;混合映射结合设计期映射与运行时重映射,如基于场景的DVFS感知混合应用映射(Hybrid Application Mapping, HAM)和GAPSO等;基于机器学习的方法采用强化学习、深度强化学习和人工神经网络等技术,代表方法包括RL-MAP、FANC、基于遗传算法的映射策略(GAMS)、混合整数线性规划(Mixed-Integer Linear Programming, MILP)任务-资源协同分配方法,以及改进鲸鱼优化与遗传算法混合方法(IWOA-IGA)等。
4.3 比较分析与趋势
在所选75项研究中,机器学习方法约占28%,启发式/元启发式方法约占24%,混合映射约占17%,静态映射约占21%,精确算法约占10%。能量效率和延迟是最常被评估的性能指标,出现在超过65%的研究中;可靠性和热管理分别约占30%和22%。动态映射与机器学习方法在故障容错和实时重构方面通常表现更优,但会引入更高的运行时复杂度。
5. 应用映射性能指标
评估映射算法的主要指标包括延迟、吞吐量、丢包率、带宽利用率、响应时间和错误率。延迟直接影响处理单元之间的通信时间,需通过映射最小化关键路径延迟;吞吐量反映数据在芯片内传输的速率;丢包率可通过优化路由、调整缓冲区大小以及实现检错纠错策略来降低;带宽利用率强调对通信信道和互连资源的均衡有效使用;响应时间受网络拓扑、路由算法、拥塞程度和流控机制影响;错误率可通过冗余映射和备用资源分配等容错策略加以降低。
6. 讨论与未来工作
静态映射在3D NoC环境中因无法适应动态热分布和拥塞变化而受到限制;动态映射和在线迁移具有较强适应性,但需避免过高的控制平面开销。混合映射通过离线生成通信骨干并在运行时进行局部修正,适合芯粒(chiplet)等非均匀架构场景。基于Transformer的强化学习可用于故障容错映射,以降低通信成本和延迟,但仍存在训练成本高、数据效率低、部署安全约束和结果可复现性等问题。未来优先方向包括:开发实时AI控制器、面向3D堆叠与芯粒的分层混合映射、标准化可复现基准测试,以及将故障与安全目标嵌入映射决策主循环。
7. 当前技术的局限性
强化学习在应用映射中的主要局限之一是训练开销较大,需要大量迭代和仿真回合才能收敛,大规模NoC环境下尤其明显;在动态环境中,工作负载或网络条件发生变化时还可能需要重新训练。实时部署时,策略推理延迟必须极低,但并非总能满足。多数强化学习方法假设拓扑固定,当链路或核心发生故障时,若未进行显式训练,智能体难以快速恢复,因此鲁棒性有限。可扩展性、延迟和鲁棒性仍是该领域需要进一步研究和优化的关键问题。
8. 结论
本综述系统梳理了面向2D/3D NoC的静态、动态、机器学习、功耗感知、故障容错及混合映射技术。静态方法简洁且具有可预测性,但灵活性不足;动态和机器学习方法支持实时调整,但复杂度和计算成本较高;混合方法兼具多种策略优势,具有较好的应用前景。当前综述缺乏定量元分析,且各研究的性能指标未标准化。未来需要发展可扩展的混合映射方法、安全感知映射、轻量级学习架构,以及统一的基准数据集与评估框架。