基于动态调整的弹性片上网络路由算法

作者：李悦瑶; 胡海洋; 王奇; 安鑫; 李建华

来源：智能计算机与应用, 2022, 12(10): 1-8+14.

DOI：10.3969/j.issn.2095-2163.2022.10.001

• 片上网络
• 无拥塞路由
• 自适应路由算法
• 强化学习
• sarsa模型

片上网络具有良好的可拓展性和并行性，能够应对多核处理器的各种通信需求。路由算法对片上网络的性能和效率有较大的影响。网络流量不均衡可导致拥塞和热点，严重影响整个网络的性能。当前学界已提出了本地感知、区域感知和全局感知的自适应路由算法来缓解拥塞问题。然而，这些算法依然存在一些问题，如近视、非全局最优、开销高。本文提出了基于强化学习中sarsa奖惩机制思想的路由算法，简称TCRA。TCRA针对Mesh网络中无死锁的路由限制来确定每一跳的可选输出端口，并基于sarsa模型进行非最短路由的策略选择和拥塞值更新。此外，TCRA中还引入了基于延迟的阈值更新机制，通过增加一些阈值的限制来动态调整拥塞值，从而平衡网络中的流量分布。实验结果表明，与传统的区域感知路由算法相比，TCRA能够将网络延迟平均减少30%,并降低13%的功耗。与传统的基于强化学习的路由算法相比，TCRA也能够平均降低20%的延迟，并具有较低的路由器面积开销。

• 单位
  合肥工业大学