移動算法 而非巨量數(shù)據(jù)

機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)步使我們能夠處理越來越大量儲存資料。傳統(tǒng)方法是將數(shù)據(jù)傳輸?shù)剿惴ㄔO(shè)備，但是這種移動巨量數(shù)據(jù)（高達(dá) 1 PB）以供可能只有幾十兆位元算法來進(jìn)行處理真的有意義嗎？因此，在靠近數(shù)據(jù)儲存位置處理數(shù)據(jù)的想法引起了很多關(guān)注。本文研究了計(jì)算儲存理論和實(shí)踐，以及如何使用計(jì)算儲存處理器 (CSP) 為許多計(jì)算密集型任務(wù)提供硬件加速和更高性能，而不會給主機(jī)處理器帶來大量負(fù)擔(dān)。

數(shù)據(jù)集崛起
近年來，神經(jīng)網(wǎng)絡(luò)算法在汽車、工業(yè)、安全和消費(fèi)等應(yīng)用中使用顯著增加。基于邊緣物聯(lián)網(wǎng)傳感器通常只處理少量數(shù)據(jù)，因此所使用算法占用很少代碼空間。然而，伴隨微控制器處理能力提高和功耗降低，機(jī)器學(xué)習(xí)算法在邊緣應(yīng)用中使用開始呈指數(shù)級增長。卷積神經(jīng)網(wǎng)絡(luò)用于視覺處理以及工業(yè)和汽車應(yīng)用中對象檢測。例如，視覺處理系統(tǒng)可用于檢測標(biāo)簽是否正確貼在高速工業(yè)生產(chǎn)線的瓶子上。

視覺系統(tǒng)還適用于更復(fù)雜任務(wù)，例如根據(jù)對象類型、條件和大小對物體進(jìn)行分類。在汽車應(yīng)用中，使用實(shí)時(shí)視覺系統(tǒng)進(jìn)行多物體分類和識別能夠更充分利用神經(jīng)網(wǎng)絡(luò)。除了具體市場應(yīng)用外，神經(jīng)網(wǎng)絡(luò)也可用于科學(xué)研究。例如，它可廣泛用于處理由分布在全球各地遙感衛(wèi)星和地震監(jiān)測傳感器收集的大量資料。

在大多數(shù)應(yīng)用中，機(jī)器學(xué)習(xí)用于增加正確觀察和分類對象概率。然而，為此目的的訓(xùn)練算法需要大型數(shù)據(jù)集（高達(dá) PB），這些數(shù)據(jù)集移動、處理和儲存都具有非常大挑戰(zhàn)性。

計(jì)算儲存
近年來，基于NAND閃存普及程度快速增長，這種技術(shù)不再局限于高端儲存，還可用于一般商品固態(tài)儲存，一個(gè)典型用例是正在取代筆記本電腦和桌面計(jì)算機(jī)中的磁盤驅(qū)動器。固態(tài)儲存普及，加上NVMe協(xié)議興起（支持更高帶寬、更低延遲和更高儲存密度）以及 PCIe 連接帶來的更高數(shù)據(jù)速率，為我們提供了重新思考如何使用儲存和計(jì)算資源方法的機(jī)會。

 
圖一 : 具有計(jì)算和儲存平面的傳統(tǒng)計(jì)算架構(gòu)。（source：BittWare）

圖一所示傳統(tǒng)方法可在計(jì)算平面和儲存平面之間移動數(shù)據(jù)。計(jì)算資源用于數(shù)據(jù)傳輸、處理、壓縮和解壓縮以及許多其他系統(tǒng)相關(guān)任務(wù)。所有這些任務(wù)的組合對可用資源造成沉重負(fù)擔(dān)。


 
圖二 : 計(jì)算儲存架構(gòu)。（source：BittWare）

圖二所示計(jì)算儲存架構(gòu)是一種更有效方法。它透過使用硬件加速器（通常在FPGA 上）來執(zhí)行計(jì)算密集型任務(wù)。將 NVMe 閃存靠近并連接到硬件加速器，CPU 不再需要將數(shù)據(jù)從其儲存位置移動到處理位置附近，從而顯著降低運(yùn)行負(fù)擔(dān)。如圖三所示，F(xiàn)PGA在其中扮演計(jì)算儲存處理器角色，從而能夠減輕 CPU 處理壓縮、加密或神經(jīng)網(wǎng)絡(luò)推理等計(jì)算密集型任務(wù)負(fù)擔(dān)。


 
圖三 : 計(jì)算儲存處理器 (CSP)。（source：BittWare）

基于 FPGA 的計(jì)算儲存處理器
計(jì)算儲存處理器的一個(gè)例子是 BittWare IA-220-U2，它采用 Intel Agilex FPGA（具有多達(dá) 140 萬個(gè)邏輯組件、多達(dá) 16GB DDR4 內(nèi)存和四個(gè) PCIe Gen4 接口）。 DDR4 SDRAM 能夠以高達(dá) 2,400 MT/s 速率傳輸數(shù)據(jù)，它使用符合 SFF-8639 標(biāo)準(zhǔn)的 2.5 英寸 U.2 封裝和對流冷卻散熱器，能夠整合到 U.2 NVMe 儲存數(shù)組，如圖 4 所示。


 
圖四 : BittWare IA220-U2。（source： BittWare）

BittWare IA-220-U2通常消耗 20W功率，并支持熱插入，它具有板載 NVMe-MI且兼容 SMBus 控制器、SMBus FPGA 閃存控制功能以及 SMBus 訪問板載電壓和溫度監(jiān)測傳感器，可理想適用于企業(yè) IT 和數(shù)據(jù)中心等應(yīng)用。BittWare IA-220-U2 功能方塊圖和主要特性如圖 5 所示。


 
圖五 : BittWare IA-220-U2 功能方塊圖和特性。（source：BittWare）

IA-220-U2 設(shè)計(jì)用于在大容量應(yīng)用中執(zhí)行各種加速任務(wù)，包括算法推理、壓縮、加密和散列（hashing）、影像搜索和數(shù)據(jù)庫分類以及重復(fù)數(shù)據(jù)刪除等。

使用 BittWare IA-220-U2 實(shí)現(xiàn) CSP
BittWare IA -220-U2 可以使用 Eideticom 的 NoLoad IP 作為預(yù)配置解決方案提供?；蛘?，它可以為客制化應(yīng)用進(jìn)行使用者程序設(shè)計(jì)。

透過提供包含 PCIe 驅(qū)動器、電路板監(jiān)控設(shè)備以及電路板庫的 SDK，BittWare可用來支持客制開發(fā)?？梢允褂肐ntel Quartus Prime Pro 和高級綜合工具鏈以及設(shè)計(jì)流程來執(zhí)行 FPGA 應(yīng)用開發(fā)。

 
圖六 : Eideticom NoLoad IP 硬件特性。（來源：BittWare）

Eideticom 的 NoLoad IP 包括一個(gè)預(yù)配置即插即用解決方案，該解決方案采用基于 BittWare U.2 模塊的整合軟件堆棧，還提供一組硬件加速計(jì)算儲存服務(wù) (CSS)，在圖 6 中以橙色突出顯示。



 
圖七 : Eideticom 的 NoLoad IP 軟件堆棧。（source：BittWare）

圖七 展示了 NoLoad IP 軟件組件，其中包括內(nèi)核空間堆棧文件系統(tǒng)和使用 NoLoad CSS 的 NVMe 驅(qū)動器，以及面向具體應(yīng)用的使用者空間 Libnoload。

Eideticom NoLoad CPU 不可知解決方案卸除功能將服務(wù)質(zhì)量 (QoS) 提高了 40 倍，并還有較低擁有成本和更低功耗優(yōu)勢。

卸除計(jì)算密集型任務(wù)可提高通量
使用基于 NVMe 計(jì)算儲存架構(gòu)可在大型數(shù)據(jù)處理應(yīng)用中提供更高性能并使用更少功率。這種架構(gòu)透過使用基于 FPGA 的計(jì)算儲存處理器來執(zhí)行計(jì)算密集型任務(wù)，降低了將資料從儲存點(diǎn)傳輸?shù)教幚砥鳎ú⒎祷兀┑囊?。?NVMe NAND 閃存數(shù)組上處理點(diǎn)附近儲存數(shù)據(jù)可以節(jié)省能源，同時(shí)還可以減少延遲和所需帶寬。