دانلود ترجمه مقاله مسیریابی سازگار آبشاری مبتنی بر ACO برای متوازن کردن ترافیک در سیستم های NoC
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2012
تعداد صفحه ترجمه:12
تعداد صفحه فایل انگلیسی:6
موضوع انگلیسی :ACO-Based Cascaded Adaptive Routing
for Traffic Balancing in NoC Systems
موضوع فارسی:دانلود ترجمه مقاله مسیریابی سازگار آبشاری مبتنی بر ACO برای متوازن کردن ترافیک در سیستم های NoC
چکیده انگلیسی:Abstract-Ant Colony Optimization (ACO) is a bio-inspired
algorithm extensively applied in optimization problems. The
performance of Network-on-Chip (NoC) is generally dominated
by traffic distribution and routing. With more precise network
information for path selection by using pheromone, ACO-based
adaptive routing has higher potential to overcome the unbalance
and unpredictable traffic load. On the other hand, the
implementation cost of ACO is in general too high to store
network information in pheromone memory, which is a routing
table of all destination-channel pairs. We propose an ACO-based
Cascaded Adaptive Routing (ACO-CAR) by combining two
features: 1) table reforming by eliminating redundant
information of far destinations from full routing table, and 2)
adaptive searching of cascaded point for more precise network
information. Our experimental results show that ACO-CAR has
lower latency and higher saturation throughput, and can be
implemented with 19.05% memory of full routing table
چکیده فارسی:
بهینه سازی لانه مورچه[1] (ACO) یک الگوریتم الهام گرفته از طبیعت است که کاربرد گسترده ای در مسایل بهینه سازی دارد. بهره وری سیستم های روی تراشه[2] (NoC) عموما بر توزیع ترافیک و مسیریابی چیره شده است. در صورتی که اطلاعات دقیق تری از شبکه داشته باشیم، می توان با استفاده از فرومون، مسیریابی سازگار مبتنی بر ACO را انجام داد که با توان بیشتری بر مشکلات سربار ترافیک غیرقابل پیش بینی و نامتوازن غلبه می کند. از سوی دیگر، هزینه پیاده سازی ACO در حالت کلی بسیار زیاد است. زیرا باید اطلاعات شبکه را در حافظه فرومون ها ذخیره کند و یک جدول مسیریابی از تمامی جفت کانال- مقصدها ایجاد نماید. ما مسیریابی سازگار آبشاری مبتنی بر ACO[3] (ACO-CAR) را پیشنهاد می دهیم که در آن دو ویژگی با هم ترکیب می شوند: 1) اصلاح جدول با حذف اطلاعات افزونه مقاصد دوردست از تمام جدول مسیریابی و 2) جستجوی سازگار نقاط آبشاری برای اطلاعات دقیق تر شبکه. نتایج آزمایشات ما نشان می دهد که ACO-CAR دارای تاخیر کمتر و توان اشباع بالاتری است و می توان آن را با 19.05% حافظه جدول مسیریابی پیاده سازی نمود.
[1]Ant Colony Optimization
[2] Network-on-Chip
[3] ACO- based Cascaded Adaptive Routing
