16、攻克自适应视觉算法内存需求复杂性及片上网络抽象建模分析

攻克自适应视觉算法内存需求复杂性及片上网络抽象建模分析

片上网络（NoC）抽象建模与分析

在片上网络（NoC）的研究中，建模对于早期探索NoC设计方案至关重要。快速且准确的模拟是关键，但在对NoC模型进行抽象时，会存在模拟速度和准确性之间的权衡。

有两种NoC模型被引入，分别是详细的总线功能模型（BFM）和更抽象的事务级模型（TLM）。BFM在每个时钟周期进行建模和仲裁，而TLM则基于更粗粒度的事务进行操作，这两种模型都在SpecC SLDL中实现。

对BFM进行验证后发现，它与RTL实现足够匹配。TLM的模拟速度比BFM快10到50倍，但会牺牲10% - 20%的准确性，并且随着网络规模和流量的增加，加速比和准确性损失都会增大。

注入率和拥塞率对数据包误差有显著影响：
- 注入率影响 ：当注入率为一定值时，96%的数据包误差小于40%，50%的数据包误差小于10%。当注入率增加到0.6时，50%的数据包误差可达30%。注入率的增加会导致共享资源的竞争加剧。
- 拥塞率影响 ：拥塞率与误差概率密切相关。当拥塞率达到50%时，50%的数据包误差最多为38%，96%的数据包最大误差达到100%；而在较低拥塞率（如5%）时，96%的数据包误差小于20%。

以下是相关数据的表格展示：
| 指标 | 情况 | 数据包误差情况 |
| ---- | ---- | ---- |
| 注入率 | 常规 | 96%小于40%，50%小于10% |
| 注入率 | 增加到0.6 | 50%可达30% |
| 拥塞率