论文部分内容阅读
随着日益增长的计算性能需求和对多任务同时处理能力的渴望,被集成在单个芯片上的处理核数量将越来越多。在芯片上有限的功率预算下,芯片上各处理单元的高速信息处理和数据并行计算使得片上多处理核系统(Multiprocessor systems-on-chips,MPSoCs)急需寻求一种低功耗、高带宽、低时延的互连方式。传统基于电互连的MPSoCs中多核通信面临着误码、时延、带宽、功耗等诸多方面的问题,是制约MPSoCs持续发展的一大障碍。目前,芯片上光互连网络(Optical network-on-chip,ONoCs)是一种全新的、用光连接替代电连接、有望解决电互连所面临问题的芯片上多处理核间互连方式。随着近年来大数据、人工智能、超级计算等领域对片上带宽的进一步需求,使用单波长的ONoCs已不能满足超大容量的数据传输,基于WDM的片上光互连网络(WDM-based optical networks-on-chip,WDM-ONoCs)成为了MPSoCs发展的必然方向。WDM-ONoCs能有效提高通信带宽、降低时延并减小功耗。因此,近年来WDM-ONoCs的相关研究已成为了多处理核间高速互连研究领域的热点,亦是MPSoCs未来持续发展的关键技术,在超大规模集成电路、大数据中心、多核系统、高速通信网络等领域有巨大的应用前景。WDM-ONoCs的是在绝缘衬底上的硅(Silicon on insulator,SOI)芯片上集成激光器、调制器、光路由器、光电探测器、光波长转换器件、光码型变换器件等基本器件来实现连接的。然而,由于这些基本器件的制造工艺及其本身的材料属性,WDM-ONoCs不可避免的遭受一系列能量损耗以及串扰噪声。特别地,串扰是影响多波长ONoCs误码率(Bit error rate,BER)的最重要因素,并将会在网络中不断积累从而影响网络性能提升。相比于使用单波长的ONoCs,WDM-ONoCs对串扰噪声更加敏感并更易受其影响,特别是由非线性四波混频(Four-wave mixing,FWM)效应产生的FWM串扰噪声,更难以从信号中分离和消除。在大规模WDM-ONoCs中,这些不断积累的串扰噪声会导致信号的失真、通信质量下降、光信噪比(optical signal-to-noise ratio,OSNR)降低以及信息传输错误,并最终引起网络性能衰退和网络规模扩展受限。因此,本文针对WDM-ONoCs的串扰特性,对基于WDM的Fat-Tree结构的ONoCs(Fat-Tree-ONoCs),提出了完整的串扰分析模型并研究了其串扰特性。此外,针对其网络性能,提出了网络性能分析平台。本文从物理层面到网络层面对支持WDM的Fat-Tree-ONoCs做了完整的性能研究,为下一代芯片上光互连网络做好理论基础和提供可靠的技术支持,且具有较高的可扩展性及可移植性,适用于任何网络规模和任何拓扑结构。本文的主要内容如下:首先,根据WDM-ONoCs的系统组成,对硅基波导、SOI微环谐振器、WDM技术基础以及FWM效应作了相关理论基础的详细介绍,并建立了FWM串扰的功率计算模型。其次,根据WDM-ONoCs的网络构建需求,分别设计出了支持WDM的基本光开关器件,基于WDM的多端口、低串扰、低损耗光路由器以及基于WDM的Fat-Tree-ONoCs,并分别建立了器件级、路由级、网络级的串扰特性分析模型。最后,将支持WDM的光转向路由器(WDM-based optical turnaround router,WOTAR)应用在Fat-Tree-ONoCs中,确定了在不同网络规模下的最差光信噪比传输链路,并得出了网络的最差信噪比、误码率、串扰噪声、损耗。基于Optisystem设计了片上多信道传输系统,验证信号在实际信道中传输时的波形情况,基于OPNET搭建了支持WDM的Fat-Tree-ONoCs的网络特性仿真平台,研究在实际片上通信业务下的网络吞吐量和时延等网络性能。研究结果表明:线性串扰噪声和FWM串扰噪声,是降低基于WDM的Fat-Tree-ONoCs的性能如OSNR、BER等的两大因素,并且限制了网络规模的扩展。例如,在最差串扰噪声情况下,当64个处理核的Fat-Tree-ONoCs输入光信号强度为0dBm时,8个波长的光信号平均OSNR为-9.47dB,这意味着平均串扰噪声略高于平均信号的强度。但当处理核数量达到128时,平均OSNR为34.37dB,相比于64个处理核的网络下降了24.90dB。此外,当处理核超过32个时,最差信噪比小于0,这表明在支持WDM的Fat-Tree-ONoCs的网络设计时,其规模不应超过32个处理核。基于WDM的Fat-Tree-ONoCs在实际芯片的业务场景下具有非常理想的吞吐量和较低的时延。相对于单波长的Fat-Tree-ONoCs,在数据包大小相同的情况下,饱和点更靠后,时延更低,吞吐量更大;在相同负载下,增大数据包大小可以在一定程度上提升网络的吞吐量并减小时延。