-
公开(公告)号：CN115277563B
公开(公告)日：2024-03-19
申请号：CN202210636087.6
申请日：2022-06-07
申请人： 南京大学
IPC分类号： H04L47/12 , H04L47/32 , H04L47/38 , H04L45/028
摘要： 本发明公开了一种基于离线强化学习的片上网络近似控制系统。本发明采用离线强化学习算法，利用软硬件协同手段，在软件端训练，在硬件端部署；片上网络中设置全局近似控制器用来部署决策神经网络；其余节点利用局部数据控制器根据全局近似控制器的发送的信息调整数据近似率。本发明通过离线强化学习算法对决策网络进行训练，将训练完成的决策网络部署至硬件中，能在不同的应用条件下感知网络拥塞状态，动态调整数据近似率使得网络在传输质量和网络性能两者之间达到良好平衡。
-
公开(公告)号：CN117236248A
公开(公告)日：2023-12-15
申请号：CN202311257300.3
申请日：2023-09-27
申请人： 南京大学
IPC分类号： G06F30/337 , G06F30/33
摘要： 本发明公开了一种多FPGA系统下多资源约束的自适应图划分方法，具体包括应用平衡划分算法获得图划分初始解；使用结点资源微调算法对初始解的结点划分进行微调，获得满足资源约束的划分解；确定细粒度参数，将满足资源约束的划分解的各子集的结点粗化为超结点，获得超结点图；使用超结点转移算法对所述超结点图调整超结点的分区，获得调整后的超结点图；根据调整后的超结点图，将超结点映射回原始结点，获得调整后的划分解。本发明通过初始解的调整及移动结点时的资源约束考虑，可以得到满足约束的合理划分；除此之外，本发明采用的是多规模迭代粗化调整的策略，因此能够得到灵活分区的划分，尽可能减少分区间所连接的线网数，提高系统频率。
-
公开(公告)号：CN115470889A
公开(公告)日：2022-12-13
申请号：CN202211054665.1
申请日：2022-08-31
申请人： 南京大学
摘要： 本发明公开了一种基于强化学习的片上网络自主最优映射探索系统及方法。本发明采用强化学习算法，结合软约束和硬约束，将硬件映射配置问题转化为序列决策问题，得到片上网络加速器的自主最优映射探索系统。对比传统的X/Y方向映射、基于神经网络感知算法映射与基于遗传算法的映射，本发明通过强化学习算法对策略网络与价值网络进行训练，提供的最优硬件映射在通信延迟指标与平均通信吞吐率指标上有不同程度的优化。
-
公开(公告)号：CN117236398A
公开(公告)日：2023-12-15
申请号：CN202311256510.0
申请日：2023-09-27
申请人： 南京大学
IPC分类号： G06N3/065 , G06N3/048 , G06N3/047 , G06N3/0985
摘要： 本发明公开了一种基于人工神经网络的片上网络延时预测器，包括收集随机硬件映射和与其对应的网络特征值，将硬件映射和网络特征值组成数据集；根据所述数据集设置片上网络延时预测模型的网络结构与训练参数；使用K折交叉验证法训练片上网络延时预测模型，得到模型的最优超参数；使用最优超参数在所有训练数据上重新训练片上网络延时预测模型，得到最终的片上网络延时预测模型；评估最终的片上网络延时预测模型在测试集上的泛化能力。本发明可在使用穷举、启发式、迭代算法探索最优映射时替代片上网络仿真器，快速得到不同输入硬件映射对应所需的延迟时间，辅助最优映射探索，计算成本较低，具有较好的泛化能力与较强的鲁棒性。
-
公开(公告)号：CN115277563A
公开(公告)日：2022-11-01
申请号：CN202210636087.6
申请日：2022-06-07
申请人： 南京大学
IPC分类号： H04L47/12 , H04L47/32 , H04L47/38 , H04L45/028
摘要： 本发明公开了一种基于离线强化学习的片上网络近似控制系统。本发明采用离线强化学习算法，利用软硬件协同手段，在软件端训练，在硬件端部署；片上网络中设置全局近似控制器用来部署决策神经网络；其余节点利用局部数据控制器根据全局近似控制器的发送的信息调整数据近似率。本发明通过离线强化学习算法对决策网络进行训练，将训练完成的决策网络部署至硬件中，能在不同的应用条件下感知网络拥塞状态，动态调整数据近似率使得网络在传输质量和网络性能两者之间达到良好平衡。
-
-
-
-
搜索结果
5 条记录 (耗时 0.016 秒)
