超级会员免费看
布鲁克斯 - 伊扬加尔算法及其相关技术的深度解析
在当今科技飞速发展的时代，分布式传感器网络、人工智能硬件等技术在各个领域发挥着至关重要的作用。布鲁克斯 - 伊扬加尔（Brooks–Iyengar）算法以及相关的硬件技术，如谷歌的张量处理单元（TPU）、IBM 的 AI 研究成果、英特尔的 Nervana 神经网络处理器等，都为这些领域的发展提供了强大的支持。
布鲁克斯 - 伊扬加尔算法设计
布鲁克斯 - 伊扬加尔算法在分布式传感器网络的每个处理元素（PE）中执行。每个 PE 会与网络中的其他所有 PE 交换其测量区间，最终的“融合”测量值是所找到区域中点的加权平均值。
一个处理单元（PU）本质上由加法单元、乘法单元、本地存储块和数量减少的本地寄存器组成。
以下是布鲁克斯 - 伊扬加尔算法中特定 PE 计算点估计和区间估计的具体步骤（算法 9.1：BI - DNN 设计方法）：
1.
输入
：PEk 发送给 PEi 的测量值是一个闭区间。
2.
输出
：PEi 的输出包括一个点估计和一个区间估计。
3.
具体步骤
：
1. 将所有其他 Sj（1 <= j <= N）发送给 Si 的测量值相加。
2. 将上述总和乘以权重 Wi。
3. 除以 2 得到点估计的分子。
4. 计算该区间内所有权重的总和。
5. 将步骤 3 中得到的分子除以步骤 4 中的总和。
6. 得到 Si 的点估计，这是所需的功能计算。
7. 计算区间估计。
下面用 mermaid 流程图展示该算法的步骤：
graph TD;
A[开始] --> B[接收其他 PE 测量值];
B --> C[相加测量值];
C --> D[乘以权重 Wi];
D --> E[除以 2 得分子];
E --> F[计算权重总和];
F --> G[分子除以权重总和];
G --> H[得到点估计];
H --> I[计算区间估计];
I --> J[结束];
类似技术尝试
谷歌：张量处理单元（TPU）
谷歌自 2016 年起推出了张量处理单元（TPU），它由专用的 ASIC 芯片构建，用于支持基于神经网络的机器学习应用。TPU 与其他用于计算活动的 CPU 和 GPU 结合，充当 AI 加速器。
TPU 有不同的代际，最新的是 2018 年 7 月发布的 Edge TPU。根据谷歌云的信息，TPU ASIC 基于 28 nm 处理器，运行频率为 700 MHz，运行状态下功耗约 40 W。它被设计成一张卡，可以轻松安装在传统的 SATA 硬盘插槽中，通过 PCI e - gen 136 3 × 16 总线与主机连接，提供 12.5 Gbps 的有效带宽。
每个神经元具有以下能力：
- 使用乘法单元将输入数据（x）与相应的权重（w）相结合，以精确描绘信号强度。
- 收集并聚合神经元状态的值，合并为单个值。
- 使用诸如 tanh、Sigmoid、ReLu 等激活函数来调节合成的神经元活动。
例如，对于一个具有 3 个输入（x1, x2, x3）和 2 个神经元的全连接单层神经网络：
- 输入：x1, x2, x3
- 权重：w11, w12, w13…
- 输出：Y1 = f (w11x1 + w12x2 + w13x3) 和 Y2 = f (w21x1 + w22x2 + w23x3)
在这个例子中，需要执行 6 次权重与输入的乘法，并将乘法结果分为 2 组，每组 3 个进行相加。这个乘法和加法序列可以写成矩阵乘法，矩阵乘法的输出再由激活函数处理。
| 输入 | 权重 | 输出 |
|---|---|---|
| x1, x2, x3 | w11, w12, w13… |
Y1 = f (w11x1 + w12x2 + w13x3)
Y2 = f (w21x1 + w22x2 + w23x3) |
IBM AI 研究
IBM 的研究团队致力于开发能够实现高处理速度的硬件架构和设备。他们的研究重点还包括从狭义 AI 向广义 AI 的过渡，以支持复杂工作负载下的机器智能、内存计算等功能。他们的一些设计在通过深度神经网络（DNN）的超精确训练将 AI 推向更前沿甚至边缘方面取得了突破性进展。
英特尔的 Nervana 神经网络处理器
作为主要的芯片制造公司，英特尔推出了 Nervana 神经网络处理器（Intel NNPs），这些处理器能够实现神经网络的功能。据英特尔称，这些处理器有助于将基于深度学习的推理转化为全球知识的数据，充分利用 AI 带来的优势，实现分布式学习算法和系统的无缝使用。
布鲁克斯 - 伊扬加尔算法的应用与优势
布鲁克斯 - 伊扬加尔算法在多个领域展现出了强大的应用价值。在分布式传感器网络中，它能够有效处理传感器数据的不确定性和噪声，提高测量的准确性和系统的容错能力。
该算法是容错且分布式的，即使部分传感器传输错误数据，也不会导致系统故障。它结合了拜占庭协议和传感器融合技术，控制传感器数据中的噪声。其核心将处理元素（PEs）视为 N 个，假设其中 t 个是故障的且会恶意运行，能够接受包含噪声和不确定性的真实和非真实值，但输出是具有适当规定精度的真实值。
算法的优势广泛分布在高性能计算、分布式控制、软件可靠性和实时 MINIX 操作系统等领域。例如，在实时 MINIX 操作系统中，通过采用布鲁克斯 - 伊扬加尔算法，在调度算法选择、调度队列、实时指标收集和容错系统等方面得到了显著增强。
在当今的云计算软件开发和物联网环境中，数据通信的错误、机械故障和传感器的不确定性是常见问题。布鲁克斯 - 伊扬加尔算法通过其上下界技术，能够巧妙地处理这些不准确性。同时，它的可扩展性使其在网络物理系统、机器人融合、软件和硬件设备的可靠性以及人工智能系统等其他领域也具有重要价值。
许多软件应用和硬件控制系统都集成了该算法，为数十亿通过互联网和其他数字媒体访问各种服务的用户提供容错融合数据。它间接惠及了全球 99% 的顶级超级计算机和 89% 的智能手机以及数百万终端用户的各种计算任务。
综上所述，布鲁克斯 - 伊扬加尔算法及其相关技术在推动科技发展和解决实际问题方面发挥着重要作用，未来有望在更多领域得到应用和拓展。
布鲁克斯 - 伊扬加尔算法及其相关技术的深度解析
布鲁克斯 - 伊扬加尔算法在实时 MINIX 操作系统中的应用
实时 MINIX 操作系统是 MINIX 操作系统的增强版本，最初由科学家 Andrew Tanenbaum 为在 ×86 计算机系统上教授操作系统而编写。Gabriel Wainer 通过在调度算法选择、调度队列、实时指标收集和容错系统等方面采用布鲁克斯 - 伊扬加尔算法，将 MINIX 操作系统转变为支持实时处理的“RT - MINIX”。
MINIX 操作系统概述
MINIX 操作系统的驱动程序、用户和系统特定服务器在微型内核架构的最高级别运行。SYS 和 CLOCK 是支持操作系统用户模式部分的两个主要任务。除了这些编程，MMU、CPU、中断处理和 IPC 是 MINIX 内核的其他特权操作。
与其他操作系统一样，MINIX 提供文件系统（FS）、内存管理（MM）、用户管理（UM）和进程管理（PM）等功能。其独特之处在于，RS 服务器会持续监控操作系统内的所有设备驱动程序和各种服务器，并在发现故障时自动修复。
所有系统调用都通过系统库直接指向正确的服务器，以管理与内核的通信。例如，当用户请求运行一个应用程序任务时，通常会通过 fork() 库函数启动一个进程。进程管理器会先与内存管理器核实进程槽的可用性，如果有可用槽位，进程管理器会指示内核复制该进程，整个过程对用户应用程序任务是透明的。
| 核心组件 | 功能 |
|---|---|
| SYS | 负责所有内核模式操作，是设备驱动程序的关键通道和用户段服务器的心跳通道。处理各种内核调用，如 SYS - VIRCOPY 用于在进程间复制数据，SYS - SETALARAM 用于配置警报等。 |
| CLOCK | 内核通过它管理进程调度、定时器、cron 服务、硬件时钟和 CPU 使用情况。系统上电时，中断处理程序会启动一个定时器，此后每个时钟周期都会通过该中断定时器进行计数。 |
布鲁克斯 - 伊扬加尔算法对 RT - MINIX 的增强
布鲁克斯 - 伊扬加尔算法对 RT - MINIX 的增强主要体现在以下几个方面：
1.
调度算法选择
：算法能够根据系统的实时需求和资源状况，更合理地选择调度算法，确保关键任务能够及时执行。
2.
调度队列管理
：优化调度队列的组织和管理，减少任务的等待时间，提高系统的响应速度。
3.
实时指标收集
：帮助系统更准确地收集实时指标，如 CPU 使用率、内存占用等，为系统的动态调整提供依据。
4.
容错系统
：增强系统的容错能力，即使部分处理元素出现故障，也能保证系统的正常运行。
下面用 mermaid 流程图展示 RT - MINIX 中布鲁克斯 - 伊扬加尔算法的应用流程：
graph TD;
A[系统启动] --> B[选择调度算法];
B --> C[管理调度队列];
C --> D[收集实时指标];
D --> E[检测故障];
E --> F{是否有故障};
F -- 是 --> G[启用容错机制];
F -- 否 --> C;
G --> H[恢复正常运行];
H --> C;
布鲁克斯 - 伊扬加尔算法的未来展望
布鲁克斯 - 伊扬加尔算法在过去几十年中已经取得了显著的成果，在多个领域得到了广泛应用。然而，随着科技的不断发展，该算法也面临着一些挑战和机遇。
挑战
- 检测开销 ：由于算法需要在每个处理元素上执行，检测开销可能会成为一个问题。如何在保证算法准确性的前提下，尽可能降低检测开销，是未来需要解决的一个重要问题。
- 带宽需求 ：当算法被定制为类似于 Crusader’s Convergence Algorithm (CCA) 时，会增加处理过程中的带宽需求。在网络带宽有限的情况下，如何优化算法以减少带宽消耗，是另一个挑战。
机遇
- 新兴领域应用 ：随着物联网、人工智能、大数据等新兴领域的快速发展，对数据处理的准确性和容错性提出了更高的要求。布鲁克斯 - 伊扬加尔算法可以在这些领域发挥更大的作用，如智能交通系统、工业自动化、医疗监测等。
- 软硬件协同设计 ：通过采用软硬件协同设计技术，可以进一步优化算法的性能。例如，设计专门的电路与神经网络中的神经元相结合，减少检测开销，提高算法的执行效率。
总结
布鲁克斯 - 伊扬加尔算法是一种强大的分布式计算和传感算法，具有容错性、准确性和可扩展性等优点。它在分布式传感器网络、实时 MINIX 操作系统等领域已经得到了广泛应用，并为解决数据处理中的不确定性和噪声问题提供了有效的解决方案。
尽管该算法面临着一些挑战，但随着科技的不断进步和研究的深入，相信它将在未来的新兴领域中发挥更大的作用。通过不断优化算法和采用软硬件协同设计等技术，布鲁克斯 - 伊扬加尔算法有望为更多的应用场景提供高效、可靠的支持。
总之，布鲁克斯 - 伊扬加尔算法及其相关技术在推动科技发展和解决实际问题方面具有重要意义，值得我们持续关注和深入研究。
扫一扫
36
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
