面向共享资源冲突的SoC并发时钟调度管理

片上系统（SoC）的多任务并发性使得总线和主存等共享资源的竞争日趋频繁，如何在满足系统峰值功耗需求的同时减少资源冲突带来的功耗损失是系统级时钟管理的难点。为此，提出一种SoC系统级时钟调度管理方法，在不影响系统性能的前提下，根据各计算单元在共享资源上的竞争概率，计算各单元由于竞争冲突导致的等待时间，进而在已知任务截止时间的前提下，分析各个任务的实际有效工作时间，通过软件调配各计算单元时钟频率调度共享资源的访问，实现系统在满足峰值功率约束下的总功耗最优化。实验结果表明，该方法可降低3．3％～38．2％的SoC系统总功耗。

面向实时应用的深度学习研究综述

深度学习算法和GPU算力的不断进步,正促进着人工智能技术在包括计算机视觉、语音识别、自然语言处理等领域得到广泛应用.与此同时,深度学习已经开始应用于以自动驾驶为代表的安全攸关领域.但是,近两年接连发生了几起严重的交通事故表明,深度学习技术的成熟度还远未达到安全攸关应用的要求.因此,对可信人工智能系统的研究已经成为了一个热点方向.对现有的面向实时应用的深度学习领域的研究工作进行了综述,首先介绍了深度学习技术应用于实时嵌入式系统所面临的关键设计问题;然后,从深层神经网络的轻量化设计、GPU时间分析与任务调度、CPU+GPU SoC异构平台的资源管理、深层神经网络与网络加速器的协同设计等多个方面对现有的研究工作进行了分析和总结;最后展望了面向实时应用的深度学习领域进一步的研究方向.