基于分层架构模式识别的软件架构重构技术

本文提出一种基于分层架构模式识别的软件架构重构技术.该技术以目标软件的源代码作为输入,过滤与分层架构无关的代码,再利用代码词汇信息挖掘程序实体之间的语义关联,通过代码主题提取并计算程序实体之间的职责相似度,依据相似度将程序实体聚类形成组件.在软件组件化的基础上结合分层模式的ILD属性识别软件层次和软件架构模式.在模式识别的基础上,定位系统中存在的违规作为重构点,生成相应的重构建议并实施重构.最后,本文在Github与SourceForge开源社区中选取10个开源软件系统作为实验对象,验证了本文提出的基于分层架构模式识别的软件架构重构技术在模式识别有效性、重构点识别效果和重构建议实施效果方面与传统方法相比有较大提升,能够有效的帮助软件开发人员识别软件架构模式、获取重构点、生成重构建议,并协助开发人员进行架构重构实施,改善系统违规情况,提升软件质量.

基于DSM的软件架构重构工具

目的探索目前软件架构重构过程中,模块之间依赖关系解析的有效方法和工具。方法将设计结构矩阵分析方法和包模式识别相结合,通过实例分析表明了该工具可以有效识别系统架构信息并发现违背设计规则的依赖关系。结果设计并实现了一个软件架构重构工具ArTDsm。结论极大地改进了软件架构重构的自动化程度和易用性。

基于微服务的业务平台架构重构研究

本文将从微服务的概述角度出发,明确微服务本质及其应用优势,通过分析某平台发展现状,提出平台架构的重构方向与思路,最终指出重构效果,以期为有关部门提供可靠参考。

5G通讯网络架构重构与挑战

本文结合5G网络系统的产生以及发展走向来阐述关于5G网络架构重构以及挑战的问题,架构重构主要需要在网络部署场景、接入网设计以及核心网设计等方面实现不同的要求。5G网络的挑战主要来自于频谱效率和系统容量、成本控制和能耗、物联网深度融合以及终端和运营方面,用好5G技术是我们亟待解决的问题。

基于粗粒度可重构架构的并行FFT算法实现

为了提升并行 FFT 算法的计算性能，基于粗粒度可重构架构 REMUS＿LPP（reconfigurable embedded multimedia system，low performance processor）提出了一种新的复数 FFT 实现方法．在实现 FFT 算法过程中，首先通过局部串行方式完成低阶部分，然后交换低阶部分结果后并行执行高阶部分．针对 RCA 内和 RCA 间的数据流优化，提出了流水气泡消除技术和数据块重排技术，从而提升了算法实现性能并降低了片上存储需求．芯片实测结果表明，提出的 FFT 算法实现方法的执行速度是其他同类并行计算架构的2．15～13．60倍，片上存储减少为其他方法的7．0％～28．1％．

面向媒体的粗粒度可重构架构层次化存储设计

为了优化粗粒度可重构架构REMUS-II(Reconfigurable Multimedia System 2)的数据流通路,使其能够完成高性能媒体解码,针对媒体算法的数据访问特征,对REMUS-II的片上存储与片外存储访问模块进行优化.片上存储通过二维数据传输和转置等访问模式进行优化,片上数据传输效率分别平均提高了69.6%和15.1%.片外存储通过块缓存设计优化参考帧访问,平均减少37%的外存访问时间.经过层次化存储设计,REMUS-II数据流可满足计算需求,在200MHz主频下实现H.264算法和MPEG2算法高级档次的1 920像素×1 080像素高清分辨率实时解码.

一种快速高效的粗粒度可重构架构编译框架

利用硬件和软件协同的设计技术来进一步提高粗粒度可重构加速器在处理循环时的编译时间与面积效率(单位面积的性能).在硬件方面将处理单元内部的寄存器堆结构优化,用旁路互联的方式替代.软件方面基于这种结构提出了一种新颖,高效的循环映射算法.该算法相对于同期的研究算法,极大的缩小了搜索最优解决方案的空间.利用前向贪婪和反向回溯迭代运行,可以获得快速而又稳定的编译时间,同时保证了接近最优解的性能.在上述硬件与软件协同的解决方案下,架构的面积与计算效率得到了提升.实验数据显示,将本文的编译框架与最新技术比较,编译速度可提升1955倍,面积效率提升到1.36倍.

面向分组密码算法的高面积效率可重构架构

为了提升安全应用中分组密码算法的面积效率,提出了一种基于粗粒度可重构计算的硬件架构.在可重构架构设计过程中采用了2种优化方案,即利用Benes网络优化可重构计算阵列的层间互联和基于配置信息的使用频度优化配置信息的组织方式.实验结果表明:采用基于Benes网络的层间互联方案后,可重构阵列中层间互联的面积开销减少了51.61%;采用基于使用频度的配置信息层次化组织方式后,AES分组密码算法和DES分组密码算法的配置时间分别缩短了80%和88%,配置时间占总时间的百分数分别下降了42%和39%.这2种分组密码算法在该可重构架构上实现的面积效率为同类架构的3.95和1.51倍.因此,所提的2种优化方案能够有效降低面积开销,提高可重构架构的性能,有助于分组密码算法高面积效率的实现.

典型可重构架构的算法映射分析

可重构架构高效、灵活,能够满足嵌入式处理领域的高性能需求.通过对三种粗粒度与两种多粒度的典型可重构架构进行建模,将算法分类,并映射不同类型的算法到可重构架构上,从硬件利用率,计算时间,输入输出带宽,数据组织形式,数据复用率等五个方面进行分析,得到多粒度的可重构架构,配以灵活的互联能够更好地完成各类算法,但是总体的硬件利用率较低.而数据带宽仍然是可重构架构的瓶颈.为可重构架构设计提供理论依据.

针对粗粒度可重构架构的非完美循环映射方法

针对粗粒度可重构架构,提出了一个解决非完美循环映射问题的方法.该方法从最外层到最内层循环,依次进行循环分裂,生成多个完美循环并为每个完美循环生成虚拟配置包,然后使用配置包合并技术,最后将合并后的配置包映射到可重构阵列上.该方法兼顾可重构阵列的效率和重构次数,较现有的双流水映射提高了24.2%的PE利用率,减少了61.7%的重构次数.

基于可重构阵列架构的强化学习计算引擎

现有神经网络处理器已广泛应用于计算机视觉、自然语言处理等领域。然而,现有片上加速方案对控制领域的强化学习算法支持较少,而基于神经网络的强化学习是智能系统决策技术的核心。该文采用可重构阵列体系结构,通过片上配置、动作与奖励存储的系统设计方案,可实现多种神经网络算法的灵活部署,并支持强化学习使用模式。基于65 nm CMOS工艺的逻辑综合结果显示,处理器主频为200 MHz时,计算模块面积仅需0.32 mm2,计算功率约15.46 mW。

面向稀疏卷积神经网络的CGRA加速器研究

本文针对规模日益增长和演变迅速的稀疏卷积神经网络(CNN)应用,提出一款高能效且灵活的加速结构DyCNN来提升其性能和能效。DyCNN基于兼具灵活性和高能效的粗粒度可重构架构(CGRA)设计,可以利用其指令的高并行性来高效支持CNN的操作。DyCNN使用基于数据感知的指令动态过滤机制来滤除各计算单元中由于稀疏CNN中权值静态稀疏性和激活值动态稀疏性产生的大量无效计算和访存指令,使它们能像执行稠密网络一样高效复用一组指令。此外DyCNN利用基于负载感知的动静结合负载调度策略解决了稀疏导致的负载不均衡问题。实验结果表明,DyCNN运行稀疏CNN与运行密集CNN相比实现了平均1.69倍性能提升和3.04倍能效提升,比先进的GPU(cuSPARSE)和Cambricon-X上的解决方案分别实现了2.78倍、1.48倍性能提升和35.62倍、1.17倍能效提升。

基于混合架构的双通道实时相关器实现

为满足多波束接收机、焦面阵和天线阵等超大数据量终端的处理需求,采用以GPU并行运算为处理核心的FPGA+CPU+GPU混合架构对天文相关器进行设计,利用严格时序的FPGA进行采样和预处理,基于统一计算设备架构平台开发实现GPU并行运算信号处理与CPU逻辑控制、存储和显示。测试结果表明,该相关器运行稳定、准确,通过调节混频、滤波和傅里叶变换参数即可实现通带范围内任意频带的高精度测量。

国有企业ZDE公司财务组织架构设计的创新思考

在国有企业深化改革和日趋激烈的市场竞争的大背景下,财务管理作为企业管理的核心环节,必须积极探索适合公司战略发展的财务管理组织架构。本文以大型国有企业ZDE公司为例,阐述了财务组织架构重塑的必要性,分析了目前财务组织架构存在的问题,提出了财务组织架构重塑的路径,旨在构建契合公司战略的财务组织架构,实现财务会计到管理会计的转型,为企业创造更大价值。

未来目标网络架构分析

为了未来更好地顺应互联网新时代的发展,运营商必须对现有网络架构从网络的特征,能力,和服务等各方面进行改造,从而改变网络特征,提高网络能力,改善网络服务。不难发现,在未来网络中,无论是网络还是业务都可以云化实现和部署,从而降低成本,提高效率。同时在数据中心集中部署虚拟化资源池,这样就可以使网络资源可以随云资源池按需分配,从而减少资源浪费,也可以避免网络自成体系,各单元之间资源不能共享,真正地实现云与网络的深度协同。

基于相似性的粗粒度可重构指令压缩

粗粒度可重构架构在能效比方面具有明显优势,然而其指令存储与传输过程的功耗代价过高.实验发现指令间具有明显的相似性,由此本文提出一种基于指令相似性的压缩技术,通过对指令的压缩、传输与解压,可以在不降低性能的前提下,优化架构的功耗和面积.针对同构和异构平台分别提出了指令分发模型和指令寄存器模型的解决方案,结合编译策略优化,最终与两种传统结构相比,面积效率比分别提升36%和181%,功耗效率比分别提升33%和118%.

可重构流处理器及其智能物联网应用价值分析

面向物联网与人工智能的深度结合,考虑到终端在功耗、成本、生命周期等维度的特性需求,文章提出了一种可重构架构流处理器,该处理器基于动态重构模型,适合于承载深度学习算法,从而为智能物联网提供低成本、低功耗、高性能、高资源效费比、长生命周期等,既利于智能物联网产业的应用,也有利于促成我国在半导体领域上的产业突破。

基于可重构流处理器的动态化边缘计算及其产业应用

文章分析在智能物联网中边缘计算的特征和主要挑战,以可重构架构流处理器为核心,结合云端协同,提出一种基于可重构架构流处理器的动态化边缘计算方法,实现计算能力在云计算与边缘计算间的动态优化配置。使原本不适合部署传统物联网的领域,可以享受到新一代智能物联网带来的便利和效率提升。

面向低精度神经网络的数据流体系结构优化

数据流架构的执行方式与神经网络算法具有高度匹配性,能充分挖掘数据的并行性.然而,随着神经网络向更低精度的发展,数据流架构的研究并未面向低精度神经网络展开,在传统数据流架构部署低精度(INT8,INT4或者更低)神经网络时,会面临3个问题:1)传统数据流架构的计算部件数据通路与低精度数据不匹配,无法体现低精度神经网络的性能和能效优势;2)向量化并行计算的低精度数据在片上存储中要求顺序排列,然而它在片外存储层次中是分散排列的,使得数据的加载和写回操作变得复杂,传统数据流架构的访存部件无法高效支持这种复杂的访存模式;3)传统数据流架构中使用双缓冲机制掩盖数据的传输延迟,但是,当传输低精度数据时,传输带宽的利用率显著降低,导致计算延迟无法掩盖数据传输延迟,双缓冲机制面临失效风险,进而影响数据流架构的性能和能效.为解决这3个问题,设计了面向低精度神经网络的数据流加速器DPU_Q.首先,设计了灵活可重构的计算单元,根据指令的精度标志位动态重构数据通路,一方面能高效灵活地支持多种低精度数据运算,另一方面能进一步提高计算并行性和吞吐量.另外,为解决低精度神经网络复杂的访存模式,设计了Scatter引擎,该引擎将在低层次或者片外存储中地址空间离散分布的低精度数据进行拼接、预处理,以满足高层次或者片上存储对数据排列的格式要求.同时,Scatter引擎能有效解决传输低精度数据时带宽利用率低的问题,解决了双缓冲机制失效的问题.最后,从软件方面提出了基于数据流执行模式的低精度神经网络映射算法,兼顾负载均衡的同时能对权重、激活值数据进行充分复用,减少了访存和数据流图节点间的数据传输开销.实验表明,相比于同精度的GPU(Titan Xp)、数据流架构(Eyeriss)和低精度神经网络加速器(BitFusion),DPU_Q分别获得3.18倍、6.05倍、1.52倍的性能提升和4.49倍、1.6倍、1.13倍的能效提升.

基于价值链理论的图书馆业务流程再造

本文从波特价值链理论的视角,分析了图书馆价值链的构成,并从图书馆的竞争优势和用户需求两个维度,阐述了图书馆价值链上的"战略环节"及图书馆的业务流程再造,为提高图书馆的核心竞争力提供了有力的依据。