一种基于荧光的传感器，结合化学计量学和深度学习方法，用于检测和量化牛奶中的椰奶掺假成分 作者：Stella Maria Dyah Cahyarani 和 Hoonsoo Lee

《Sensors》：A Fluorescence-Based Sensor Combined with Chemometric and Deep Learning Approaches for Detecting and Quantifying Coconut Milk Fraud in Bovine Milk Stella Maria Dyah Cahyarani and Hoonsoo Lee

　　摘要
随着数据密集型应用程序不断扩展，可重构阵列处理器（RAPs）的应用也越来越广泛，但片上电气网络（NoCs）由于RC延迟的限制而逐渐受到能量-延迟瓶颈的约束。混合光电子NoCs（HONoCs）面临着一个根本性的介质选择难题：光电路切换会导致长时间数据流的微秒级设置开销，而静态距离阈值无法捕捉流量的时空异质性，从而导致突发流量的波长浪费和非稳态负载下的拥堵扩散。本文提出了一种具有时空局部性的自适应切换框架。我们引入了时空局部性指数（TSLI）将流量分为亲电型（EF）、亲光型（PF）和混合敏感型（HF）三类，并提出了跨层拥塞熵（CCE）来统一电气和光学资源状态。基于这些指标，自适应介质选择状态机（AMSSM）在电主导型（EDM）、电光协同型（EOSM）和光主导型（ODM）模式之间动态切换，而加权多维介质匹配（WMMM）算法进行细粒度的信道选择。预测光路径提供（POPP）机制通过趋势感知的预建立进一步减少了设置延迟。在8×8网格HONoCs上的评估表明，与非静态阈值相比，饱和吞吐量提高了22%，能量-延迟积（EDP）降低了38%，平均延迟减少了57%。所提出的机制为高效的片上互连提供了理论基础和工程范式。

1. 引言
数据密集型计算工作负载的激增，包括深度神经网络（DNN）训练/推理、高效视频编码（HEVC）和大规模科学模拟，促进了可重构阵列处理器（RAPs）的发展，作为克服传统固定功能架构僵化的一种有前途的范式。RAPs的特点是通过可编程交换结构互连的处理元素组（PEGs）阵列，提供了硬件级别的适应性，从而实现了算法到硬件的映射，提高了能源效率和性能[1,2]。然而，随着半导体技术节点缩小到14纳米以下，这些系统的通信子系统已成为一个关键瓶颈。在实现HEVC编码或CNN推理的当代RAPs中，PEGs之间的数据传输可能消耗超过总执行周期的50%，并显著增加了整体能耗[3,4]。
传统的片上电气网络（NoCs）面临基本的物理限制，这些限制了它们的可扩展性。电气互连的RC延迟随传输距离线性增加，而动态能耗则因长导线的电容充电而随距离平方增长[5,6,7]。此外，在高时钟频率下，趋肤效应增加了有效电阻，相邻导线之间的串扰加剧了信号完整性问题。这些效应共同形成了一个“通信能量墙”，限制了纯电气多核系统的实际规模[8,9]。
硅光子学为片上通信提供了一个有吸引力的替代方案，它利用光子载波以接近光速的速度传播，衰减可忽略不计，且传输能量与距离无关。基于微环谐振器（MRRs）和硅调制器的光互连可以实现比电气互连高10倍的带宽密度[10,11]。然而，在RAPs中实际部署光互连时引入了介质选择难题：由于缺乏实用的光学缓冲，光电路切换（OCS）成为片上光子学的主流方式，需要微秒级的设置时间（包括MRR热调谐（通常为1-2微秒）、波长分配仲裁和收发器同步[12,13]。这种设置开销导致了一个不对称的成本结构：只有当流量持续时间较长时，光学传输才高效，允许设置能量在多个比特上分摊。对于短突发流量（SBFs），强制进行光学传输会导致负面能源效率和延迟增加。相反，长流式流量（LSFs）被错误分类到电气路径上会导致缓冲区积累、头部阻塞和电气结构中的拥堵扩散[14,15,16]。
现有的HONoC设计主要使用静态距离阈值（例如，“如果曼哈顿距离小于x跳数，则使用光学”）或简单的延迟比较[17,18]。这些方法有三个关键限制：（1）时间盲性——它们忽略了流量持续时间和突发性，将10个数据包的控制包与1000个数据包的数据流视为相同；（2）空间刚性——静态阈值无法适应动态网络拥堵或波长可用性；（3）层次分割——电气缓冲区占用和光学波长利用率是独立监控的，导致全局次优决策，例如“光学资源闲置而电气缓冲区溢出”或“波长浪费在不足的流量上”。

2. 问题表述
考虑一个由节点组成的混合光电子NoCs，这些节点排列在2D网格拓扑中，每个节点都维护具有缓冲容量的电气端口和通过WDM支持多个波长的光学端口[19,20,21]。数据流被定义为从源节点开始并在目的节点结束的一系列数据包，其特征如下：（i）空间跨度——曼哈顿距离[22,23]；（ii）时间轮廓——开始时间、观测到的持续时间和平均到达率（数据包数/周期）；（iii）负载特性——总有效载荷和突发性。
介质选择决策（0：电气；1：光学）必须最小化一个综合成本函数：

受到以下条件的约束：
1. 光学资源限制——波长保守；
2. 电气容量限制——避免拥堵；
3. 设置摊销限制——如果大于某个阈值，则必须预期满足某些条件，其中表示端到端延迟，表示能耗，表示资源占用率，是应用程序依赖的权重。

3. 提出的方法和贡献
为了解决介质选择难题，同时尊重片上路由器（KB级存储、纳秒级控制延迟）的严格资源限制，本文提出了一种具有时空局部性意识的自适应框架，其贡献如下：
首先，我们通过引入时空局部性指数（TSLI）建立了严格的理论基础，这是一个无量纲指标，统一了空间跨度和时间持续性：
(1) 其中表示源节点和目的节点之间的曼哈顿距离，表示观测到的流量持续时间（以时钟周期为单位），表示平均数据包到达率（数据包数/周期）。从信息论的角度来看，量化了流在时空域中的分布熵。低TSLI表示适合光学传输的集中、持续的流量，高TSLI表示适合电气传输的分散、突发流量。我们推导出分类阈值，这些阈值根据跨层拥塞状态动态调整，从而实现了对亲电流量（EF）、亲光流量（PF）和混合敏感流量（HF）的精细分类。
其次，我们提出了跨层拥塞熵（CCE），这是一个统一的指标，融合了电气缓冲区分布熵和光学波长利用率熵：
(2) 这解决了电气和光学资源监控之间的分割问题，提供了对异构资源竞争的全面视图。
第三，我们设计了自适应介质选择状态机（AMSSM），它具有三种操作模式——电主导模式（EDM）、电光协同模式（EOSM）和光主导模式（ODM），并具有基于滞后机制的抗振荡和动态阈值调整功能。在EOSM中，加权多维介质匹配（WMMM）算法在四个维度上评估候选信道：传输能量效率（TEE）、链路可用性（LA）、介质亲和匹配（MAM）和拥塞规避权重（CEW），实现了适合硬件的5周期管道。
第四，我们引入了预测光路径提供（POPP），它利用（亲光流量比率）的二阶趋势分析在数据到达之前预建立光路径，将OCS从被动式转变为预测式。当电气缓冲区超过临界阈值时，光逃逸机制提供紧急拥堵缓解。
广泛的评估表明，在非静态流量下，与静态阈值基线相比，所提出的机制实现了22%的饱和吞吐量改进，38%的能量-延迟积（EDP）减少，以及57%的平均延迟降低，同时仅需要1.3 KB的参数存储和12周期的推理延迟用于轻量级预测引擎。

4. 背景和相关工作
4.1. 混合光电子NoCs架构
光子学与CMOS电子学的集成用于片上通信，已经从简单的点对点链接发展到复杂的网络架构。Luo等人[24]和Agarwal等人[25]的早期工作证明了使用基于微环谐振器的交换的光学NoCs的可行性。后续的架构如Firefly[26]、TAONoC[27]和WRONoC[28]采用了分层方法，其中电气网格处理短距离、突发流量，而光学全局链接管理长距离、高带宽通信。然而，这些架构主要采用静态分配策略。例如，Firefly使用电气网络进行簇内通信，使用光学网络进行簇间通信，基于固定的距离阈值。这种静态划分无法考虑动态流量变化，导致资源利用不足。Yao等人[29]的最新工作探索了动态波长分配，但依赖于简单的延迟比较，而不是系统化的流量特征分析。
4.2. 异构互连中的流量管理
NoCs中异构资源的管理通过各种方法进行。传统的电气NoCs中的自适应路由使用局部拥塞信息（缓冲区占用、交叉开关竞争）动态选择路径[30,31]。然而，这些技术仅限于单层优化，并未解决电光边界问题。机器学习方法已被提出用于数据中心网络流量预测，利用LSTM或Transformer架构捕获长距离依赖性[32]。然而，这些模型通常需要MB级别的参数存储和数百个周期的推理时间，违反了片上路由器控制平面的微秒级时间限制。轻量级替代方案如指数加权移动平均（EWMA）在非静态流量模式下存在显著的预测延迟（平均绝对百分比误差>38%[14]），这表明需要结构化的时空模型来平衡准确性和硬件可行性。
4.3. 理论基础
从信息论的角度来看，网络流量可以建模为具有时空相关性的随机过程。流量源的熵率表征了其可预测性和突发性。然而，现有的NoCs文献缺乏将这些信息论属性与物理介质选择联系起来的原则性框架。我们的工作通过将TSLI解释为时空熵的度量来弥合这一差距，从而将介质选择建立在基本信息论的基础上。

5. 时空局部性和跨层拥塞
5.1. 时空局部性指数：理论基础
时空局部性指数（TSLI）是根据流量传输效率的基本原理推导出来的。考虑一个传输距离为d、持续时间为t和平均速率为r的流量。传输的总数据包数为N。光学传输的效率取决于设置开销与有用传输时间的比率：
(3) 为了使光学传输优于电气传输（其效率随传输距离增加而增加），需要满足以下条件：
(4) 其中θ是一个技术依赖的阈值，包括d、r和η。这激发了如下定义：
(5) 从信息论的角度来看，将时空域视为一个二维概率空间。空间熵γ表征了目的地的分布，而时间熵η表征了到达模式的分布。对于点对点流量，γ与空间跨度和时间持续性的乘积成反比，作为联合时空熵的代理。低熵（在空间和时间上集中）意味着可预测的、类似流的行为，适合电路交换的光路径；高熵意味着分散的、不可预测的行为，适合分组交换的电气路径。
动态阈值调整：静态阈值θ1和θ2无法适应网络负载的变化。我们基于跨层拥塞推导出动态阈值：
(6) 和 (7)，其中ρe和ρo分别是电气和光学资源的平均利用率，ε是敏感性系数。当电气拥堵增加时，θ1增加，有效地降低了EF流量迁移到光学路径的门槛（亲电放松）。相反，当光学资源变得稀缺时，θ2增加，防止了不必要的光学分配。
介质亲和分类：根据θ1和动态阈值，流量被分为三类：
1. 亲电流量（EF）：
○特点——高空间分散或短时间持续性
○物理解释——在空间上是全局的但在时间上是瞬变的，或在空间上是局部的且有突发模式
○介质选择——优先选择电气路径以避免OEO转换开销和波长碎片化
2. 亲光流量（PF）：
○特点——长时间内的持续传输
○物理解释——在空间上是全局的且在时间上是持续的
○介质选择——优先选择光学路径以摊销长时间传输的成本
3. 混合敏感流量（HF）：
○特点——中等的空间和时间特性
○物理解释——距离和持续时间适中，介质选择取决于即时资源可用性
○介质选择——需要通过WMMM进行全面的多维评估

5.2. 跨层拥塞熵
传统的NoCs独立处理电气和光学层，导致决策碎片化。电气层报告缓冲区占用情况，而光学层报告波长使用情况。独立优化导致局部最优：一个电气端口可能拥堵（ρe > 1），而光学波长仍然闲置，或者波长可能被分配给边缘流量，同时电气缓冲区溢出。
电气层熵：对于一个具有n个输出端口的路由器，归一化的占用分布定义为：
(8) 这个分布的香农熵衡量了负载平衡：
(9) η表示绝对热点（所有流量集中在一个端口上），而η'表示完美均匀分布。然而，仅凭η不足以判断：即使容量为95%的均匀分布仍然可能是拥堵的。因此，我们纳入了平均利用率。光层熵：同样地，对于波长利用率，低值表示波长集中（特定波长上的热点），而高值表示碎片化（波长分散在许多端口上，可能导致宽频流量受阻）。统一的跨层指标：我们提出跨层拥塞熵（CCE）作为加权组合：其中将熵标准化到某个值，并且权重满足某个条件（通常为1）。从CCE中得出的三个拥塞区域指导系统行为如下：低拥塞——两层都保持平衡且利用率低。系统采用简单的启发式方法（对于EF流量优先选择电气路径，对于PF流量优先选择光路径）以最小化控制开销；中等拥塞——一层或两层出现不平衡。系统会对HF流量进行完整的WMMM评估以执行负载均衡；高拥塞——关键资源稀缺。系统通过预留的紧急波长为电气热点提供光路径逃逸；如果预留的光容量也耗尽，系统会回退到基于信用的电气背压机制，直到局部拥塞缓解。

6. 自适应控制机制
6.1. 自适应介质选择状态机（AMSSM）
AMSSM实现了一个基于迟滞的有限状态机，操作粒度为观察窗口周期数。状态空间的转换基于亲光流量比例（被分类为PF的流量比例）和跨层拥塞熵。

图1显示了状态定义和不变量：
图1. AMSSM的状态转换图。
模式1：电主导模式（EDM）。进入条件——AND。不变量：对于所有流量类型都成立。策略——EF流量：立即分配电气路径。HF流量：除非目的端口已占用，否则分配电气路径。PF流量：除非特殊情况，否则分配电气路径。光层：置于待机状态；降低激光偏置以节省静态功率。紧急情况：如果任何电气端口在持续多个周期内保持高负载状态，则触发光路径逃逸。
模式2：电光协同模式（EOSM）。进入条件——OR。不变量：利用率平衡，两种介质都被积极使用。策略——EF流量：默认选择电气路径。PF流量：默认选择光路径，并进行POPP预建立。HF流量：进行完整WMMM评估（5周期流程）。光层：针对预测的PF流量进行积极预配置。
模式3：光主导模式（ODM）。进入条件——OR（AND）。不变量：对于非EF流量成立。策略——EF流量：仅在光波长耗尽时选择电气路径。HF/PF流量：选择光路径并延长保持时间。光层：实现最大利用率；电气层保留用于控制和紧急情况。

防振荡机制：为了防止在流量波动时状态频繁切换（EDM?EOSM?ODM），我们实现了一个饱和计数器，要求连续多个窗口满足转换条件后才能状态变化。转换逻辑包含迟滞区。EDM→EOSM：需要AND（上升趋势）。EOSM→ODM：需要AND且CCE下降。ODM→EOSM：需要AND且CCE下降（持续3个窗口）或光波长耗尽。EOSM→EDM：需要AND且CCE上升（持续3个窗口）。

动态阈值调整：阈值根据CCE进行调整：
其中ω控制灵敏度。随着拥塞增加，系统降低光路径迁移的障碍以缓解电气压力。

6.2. 加权多维介质匹配（WMMM）
在EOSM模式下运行（或在任何模式下对于HF流量），系统需要在候选通道中进行细致选择。WMMM从四个维度评估每个候选通道（电气端口或光波长）：
维度1：传输能效（TEE）。通过通道传输流量的能效如下：
对于光通道，分子（预测的流量持续时间）确保短流量因固定设置成本而受到惩罚。
维度2：链路可用性（LA）。通道的立即容量如下：
对于光通道，计数特定路径上可用的波长数量，考虑波长连续性约束。
维度3：介质亲和匹配（MAM）。流量特性与介质属性的对齐情况如下：
指示函数确保只有当预测持续时间能够覆盖设置时间时才考虑光通道。指数形式在接近阈值时提供平滑的区分度。
维度4：拥塞规避权重（CEW）。基于层特定拥塞的动态惩罚如下：
当某一层表现出高熵（负载不平衡）时，CEW降低该层的得分，引导流量流向拥塞较小的介质。

综合评分和选择。最终得分是以下加权和：
其中ω平衡了能效、即时性、亲和性和负载均衡。选择得分最高的通道；如果得分相同，则优先选择电气路径以节省光资源。

硬件流水线：WMMM实现为一个四阶段流水线。阶段1：参数获取（TSLI、CCE、缓冲区状态）——1个周期。阶段2：并行TEE/LA/MAM/CEW计算——2个周期（通过LUT进行指数近似）。阶段3：加权累积——1个周期（DSP48 MAC）。阶段4：比较树——1个周期（找到最大值）。总延迟：5个周期@ 250 MHz = 20 ns，符合路由器微架构流水线要求。

6.3. 预测光路径提供（POPP）
为了克服延迟惩罚，POPP预测即将到来的PF流量并预先建立光路径。预测利用亲光流量比例在观察窗口上的趋势分析。
趋势分析——一阶差分：二阶差分：
预建立触发条件——1. （足够的PF需求）。2. AND（上升趋势）。3. 目的频率排名在前25%（按预测需求）。
保持时间管理——预建立的路径保留时长为：
其中t是预测的剩余比特数。为了避免预测失败导致的资源浪费，系统实施指数后退机制——连续多次预测失败后。

光路径逃逸机制——当电气端口经历严重拥塞时（AND），系统绕过正常的WMMM评估，强制流量通过以下方式：1. 可用的预建立光路径（最快逃逸）。2. 如果没有可用路径，则通过预留的控制波长触发快速设置（紧急设置，绕过常规仲裁）。
这种机制充当安全阀，防止电气缓冲区溢出和潜在的网络死锁，同时在极端负载下提供平稳的降级。

7. 实验评估
7.1. 实验方法
我们使用了一个涵盖多个抽象层的综合仿真框架来评估所提出的机制。
仿真器架构——系统级：8 × 8 Mesh HONoCs的周期精确SystemVerilog模型，具有RTL级路由器微架构。光物理层：MRR热调节（秒）、OEO转换（皮焦耳/比特）和波导传播的事件驱动模型。统计框架：通过批量均值方法获得95%置信区间；预热期为10,000个周期；每个数据点的测量周期为100,000个周期。
网络配置——拓扑：8 × 8 2D Mesh，节点间距2毫米。电气层：5端口路由器（4个邻居 + 本地节点），每个VC 4个端口，每个VC 8个数据包（总共32个数据包），128位数据包，基于信用的流量控制并采用轮询仲裁。光层：每个端口32个波长@ 10 Gbps（每个端口320 Gbps），电路切换时间为秒。时钟域：数据平面1 GHz，控制平面250 MHz，光控制125 MHz（基于Aurora）。

工作负载：
1. 合成模式——随机：均匀随机流量，空间熵最大化。Transpose：结构化的长距离通信。热点中心：节点（4,4）和（5,5）接收额外20%的流量，模拟共享内存热点。Bit-Complement：最大距离通信。
2. 非静止流量——马尔可夫调制泊松过程（MMPP），具有状态转移矩阵，其中状态0（低负载）每个周期x个数据包，状态1（突发）每个周期y个数据包。这模拟了视频编码和DNN层转换的“突发-连续”行为。
3. 应用轨迹——HEVC整数运动估计（IME）参考帧传输，每33毫秒出现128 KB的周期性突发（30 fps）。
基准测试：E-Only：纯电气NoCs，采用维度顺序路由（XY）。Static-Opt：固定距离阈值（跳数限制光路径）。No-Prediction：AMSSM + WMMM，采用按需光路径设置（无POPP）。HEOR-Full：完整提出的系统，包括TSLI、CCE、AMSSM、WMMM和POPP。

7.2. 吞吐量和延迟分析
饱和吞吐量（图2）：在均匀随机流量下，HEOR-Full达到0.22数据包/节点的饱和吞吐量，比Static-Opt（0.18）提高22%，比E-Only（0.12）提高83%。在结构化模式下，吞吐量提高更明显：对于Transpose流量（规则长距离通信），吞吐量提高28%（0.32对比0.25），因为TSLI准确识别出适合光传输的持续PF流量。在Hotspot-Center流量下，吞吐量提高50%（0.21对比0.14），展示了CCE驱动的光路径逃逸在缓解电气热点方面的有效性。

图2. 不同流量模式下的饱和吞吐量比较。吞吐量提升源于三个因素：（1）消除长距离PF流量的电气拥塞，（2）防止短EF流量的光波长浪费，以及（3）在中等拥塞下通过WMMM对HF流量的负载均衡。

延迟特性：图3展示了随机流量的延迟注入率曲线。在低注入率下，所有方案的延迟相似（约40 ns），主要由跳数遍历引起。随着负载增加，由于电气拥塞，E-Only的延迟急剧上升，在饱和时达到1200 ns（注入率为0.12）。Static-Opt将饱和延迟推迟到0.18 ns，但在距离阈值以下的流量竞争拥挤的电气路径时遇到“阈值悬崖”，导致延迟峰值达到650 ns。
图3. 不同注入率下的平均延迟。HEOR-Full在0.20注入率下保持延迟低于250 ns，而在0.22注入率时逐渐下降到420 ns。在0.15注入率下平均延迟降低了57%（145 ns对比Static-Opt的285 ns），这得益于：（1）基于TSLI的流量分类，防止长流量产生电气拥塞；（2）POPP通过预建立隐藏了秒级的设置时间；（3）CCE感知的路由避免热点聚集。

在非静止MMPP流量下（图4），优势更加显著。Static-Opt的平均延迟为420 ns，方差较高（变异系数=0.45），因为无法跟踪流量相位转换。HEOR-Full的平均延迟为180 ns（减少了57%），方差显著降低（CV=0.22），证明了AMSSM状态机的稳定性和基于趋势的预测准确性。

尾延迟分析：在第99百分位延迟（对于实时应用至关重要）下，MMPP流量下的延迟降低了65%（320 ns对比Static-Opt的890 ns）。这种尾延迟的减少归因于光路径逃逸机制，防止了突发阶段的缓冲区溢出，以及AMSSM的防振荡设计，防止了可能导致延迟飙升的状态频繁切换。

7.3. 能效和资源利用率
能量延迟乘积（图5）：能量延迟乘积（EDP = 每比特能量 × 平均延迟）提供了一个全面的效率指标。相对于Static-Opt（EDP = 1.0），HEOR-Full在随机流量下达到0.62（提高了38%），在Hotspot-Center流量下达到0.55（提高了45%）。
图5. 不同工作负载下的EDP。能量效率来自于：1. 避免OEO转换——TSLI分类防止短EF流量（通常占流量的30%）产生皮焦耳/比特的转换费用；2. 高效的光路径利用——PF流量利用光路径，能量效率接近传播极限；3. 拥塞缓解——通过防止电气拥塞，HEOR-Full避免了能源效率低下的重传和空闲周期。

资源利用率指标：在0.15注入率下的MMPP流量下。光层利用率：HEOR-Full达到81%，而Static-Opt为45%，No-Prediction为58%。改进来自POPP的预测准确性和TSLI对低效流量的过滤。预建立效率：POPP的命中率为87.6%，实际使用的路径占8.2%，而基于EWMA的预测命中率为62%，过度供应率为8%。电气缓冲区效率：平均电气缓冲区占用率降低了35%，减少了来自SRAM泄漏的静态功率消耗。

EDP对预测准确性的敏感性：图6展示了预测命中率与归一化能量延迟乘积之间的关系。在POPP运行点（命中率为87.6%，过度供应率为8.2%）下，EDP惩罚相对于理想完美预测（命中率为100%，过度供应率为0%）减少了2%。相比之下，基于EWMA的基线（命中率为62%，过度供应率为28%）的EDP膨胀了38%。图6. EDP对预测准确性的敏感性。7.4. 敏感和鲁棒性分析
TSLI阈值敏感性：在参数变化时，性能变化小于8%，表明对参数选择具有鲁棒性。然而，极端值（<1.5或>3.0）会导致15-20%的性能下降，这是由于错误分类造成的。
AMSSM稳定性：在快速流量波动（周期<）的情况下，抗振荡机制可以防止状态抖动，保持吞吐量在稳态值的5%以内。如果没有饱和计数器，由于转换开销，吞吐量会下降12%。
可扩展性：TSLI公式在维度上是无尺度的，因为空间跨度和时间项都与网络规模成比例增长。但是，分类阈值需要根据平均跳数增加进行调整。我们建议以下缩放规则：其中n是节点总数。通过模拟将规模扩展到16 × 16网格（256个节点），证实这种缩放保持TSLI分类准确性在8 × 8基线的3%以内，并且吞吐量相比静态最优（Static-Opt）提高了18%。由于CCE值的层次聚合，AMSSM控制开销保持在网络带宽的2%以内。
为了验证各个组件的贡献，我们通过系统地禁用每个机制来进行了一系列消融研究。如表1所示，TSLI可以防止突发流量的错误分类，而CCE可以避免局部最优但全局次优的路由选择。WMMM实现了细粒度的通道选择，PPOP隐藏了光路设置的开销。值得注意的是，移除光路逃逸机制在热点区域会导致灾难性的性能下降，这证实了其作为安全阀的作用。这些结果表明，为了解决介质选择问题，需要所有组件的协同集成。
表1. 鲁棒性分析。
8. 结论与未来工作
本文提出了一个全面的时空局部性感知的自适应框架，用于可重构阵列处理器中的混合光电子NoCs。关键的理论贡献是时间-空间局部性指数（TSLI），它提供了一个基于信息论的流分类原理，将空间和时间特征统一到一个决策指标中。此外，跨层拥塞熵（CCE）通过提供一个统一的0-1度量标准，解决了异构架构中的资源碎片化问题，用于电光资源竞争。
在架构上的贡献包括：（1）具有滞后抗振荡和动态阈值适应的AMSSM状态机，在负载波动下提供稳定的模式转换；（2）WMMM算法实现了在能量、可用性、亲和性和拥塞维度上的高效多维评分；（3）具有光路逃逸能力的PPOP机制，将光路互连从被动系统转变为预测性系统。
实验验证表明，与最先进的静态方法相比，该框架取得了显著改进：饱和吞吐量提高了22%，能量延迟乘积降低了38%，平均延迟减少了57%，特别是在现代数据密集型应用中典型的非平稳流量环境下表现尤为突出。
尽管提出的框架展示了显著的改进，但仍存在一些局限性。首先，L-GRU预测模型使用了离线训练的权重；长期工作负载的变化可能需要轻量级的在线适应机制，而这些机制尚未加入。其次，光路物理模型理想化了MRR行为；未来的工作应该集成详细的热干扰和制造变异模型。此外，将闭环MRR热补偿与AMSSM状态机共同设计，可以在极端模式切换场景下消除残余的共振漂移。第三，当前的评估仅限于2D网格拓扑；将TSLI扩展到3D堆叠架构和非规则拓扑（例如胖树、蜻蜓）是一个重要的方向。最后，随着硅光子技术向基于芯片组的集成发展，将提出的控制机制与物理层创新（如基于MEMS的快速开关或相变非易失性调节）共同设计，可以将延迟从微秒级缩短到纳秒级，从而可能重新定义最优的TSLI分类边界。这些方向为下一代光电子互连研究提供了有希望的途径。