Diplomarbeit - [email protected] - Technische Universität Dresden

Diplomarbeit  - Queens@TUD - Technische Universität Dresden
T ECHNISCHE U NIVERSITÄT D RESDEN
FAKULTÄT I NFORMATIK
I NSTITUT FÜR T ECHNISCHE I NFORMATIK
P ROFESSUR FÜR R ECHNERARCHITEKTUR
P ROF. D R . W OLFGANG E. NAGEL
Diplomarbeit
zur Erlangung des akademischen Grades
Diplomingenieur für Informationssystemtechnik
SGI RASC: Evaluierung einer Programmierplattform
zum Einsatz von FPGAs als Hardware-Beschleuniger
im Hochleistungsrechnen
Robert Dietrich
(Geboren am 10. August 1983 in Dresden)
Betreuer: Guido Juckeland, Thomas B. Preußer
Dresden, 30. Juni 2009
Hier Aufgabenstellung einfügen!
Selbstständigkeitserklärung
Hiermit erkläre ich, dass ich die von mir am heutigen Tag dem Prüfungsausschuss der Fakultät Elektrotechnik und Informationstechnik eingereichte Diplomarbeit zum Thema:
SGI RASC: Evaluierung einer Programmierplattform zum Einsatz von FPGAs als
Hardware-Beschleuniger im Hochleistungsrechnen
vollkommen selbstständig verfasst und keine anderen als die angegebenen Quellen und Hilfsmittel benutzt sowie Zitate kenntlich gemacht habe.
Dresden, den 30. Juni 2009
Robert Dietrich
Kurzfassung
Im Hochleistungsrechnen wird heutzutage, neben massiver Parallelverarbeitung und entsprechend effizienter paralleler Programmierung, verstärkt spezielle Hardware zur Beschleunigung von Anwendungen verwendet. Üblicherweise wird dabei ein Problem, eine Anwendung oder ein Algorithmus als eine
Abfolge von Befehlen (Software) an die Hardware, wie z.B. Mikroprozessoren oder Grafikkarten angepasst. Field Programmable Gate Arrays (FPGAs) bieten mit der Beschreibung von Hardware einen
anderen Ansatz, welcher abhängig von der Problemstellung eine effizientere Verarbeitung ermöglicht.
Gemessen an der Performance können Hardware-Beschleuniger zudem eine deutlich geringere Leistungsaufnahme als CPUs erreichen, wodurch auch die Betriebskosten sinken. FPGAs erlauben durch
die hohe Anzahl von frei programmierbaren Logikblöcken eine sehr feingranulare Parallelverarbeitung
und bieten im Vergleich zu ASICs den zusätzlichen Vorteil, die Hardware an verschiedene Probleme
anpassen zu können. Zur Programmierung von FPGAs gibt es verschiedene Ansätze: Hardwarebeschreibungssprachen (VHDL, Verilog), Hochsprachen (z.B. Handel-C, Impulse C, Mitrion-C) und graphische
Tools (z.B. DSPLogic RC Toolbox). Die Qualität der Lösung ist mitunter sehr verschieden und soll in
dieser Arbeit anhand von Benchmarks und Beispielanwendungen in Mitrion-C und VHDL verglichen
werden. SGI RASC dient dabei als Programmierplattform und wird hinsichtlich ihrer Leistungsfähigkeit
evaluiert.
Abstract
Todays High Performance Computing uses, next to massively concurrent processing and respectively
parallel programming, additional hardware to speed up applications. Hence, an algorithm is adapted to
hardware, e.g. microprocessors or graphics processing units (GPUs), as a sequence of instructions (software). Field Programmable Gate Arrays (FPGAs) offer a totally different approach through their flexible
hardware description, which in cases can be more efficient and increase operation speed. Depending on
their performance hardware accelerators can noticeably reduce the overall power consumption. FPGAs
provide fine-grained parallelism with a large number of programmable logic blocks and can be adapted
to a new task in a fraction of a second. There are multiple approaches to program FPGAs: hardware
description languages (Verilog, VHDL), high level languages (e.g. Handel-C, Impulse C, Mitrion-C) and
graphic tools (e.g. DSPLogic RC Toolbox). The quality of the resulting hardware designs can in fact be
very different, which will be compared in this paper using sample implementations and benchmarks in
Mitrion-C and VHDL. Thus, the performance of the programming platform SGI RASC will be evaluated
in this context.
1
Inhaltsverzeichnis
1 Einleitung
5
2 FPGAs
2.1 Typische Einsatzgebiete . . . . . . . . . . . .
2.2 Aufbau und Grundstruktur / Architektur . . .
2.3 Stärken und Schwächen von FPGAs . . . . .
2.4 Virtex-4 FPGAs . . . . . . . . . . . . . . . .
2.5 Fließkommaverarbeitungsleistung . . . . . .
2.6 FPGAs als Hardware-Beschleuniger im HPC
3 SGI RASC
3.1 SGI Altix 4700 . . . . . . . . . . . . . .
3.2 SGI RC100 FPGA-Blade . . . . . . . . .
3.3 Core Services . . . . . . . . . . . . . . .
3.3.1 SRAM-Schnittstelle . . . . . . .
3.3.2 Streaming Engines . . . . . . . .
3.3.3 Memory Mapped Registers . . . .
3.4 Software . . . . . . . . . . . . . . . . . .
3.4.1 Abstraction Layer (API) . . . . .
3.4.2 Algorithmen-Verwaltung . . . . .
3.4.3 GNU Project Debugger (GDB) . .
3.4.4 Algorithmus-Konfigurations-Tool
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
9
11
13
15
19
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
23
23
26
27
28
28
29
30
31
32
4 Programmiermöglichkeiten der SGI RASC Plattform
4.1 Mitrion SDK von Mitrionics . . . . . . . . . . . . . .
4.1.1 Programmiersprache Mitrion-C . . . . . . . .
4.1.2 Mitrion Virtual Processor . . . . . . . . . . . .
4.1.3 Mitrion Simulator . . . . . . . . . . . . . . .
4.2 Hardware-Entwicklungsablauf . . . . . . . . . . . . .
4.2.1 Hardware-Entwurf mit VHDL . . . . . . . . .
4.2.2 Simulation . . . . . . . . . . . . . . . . . . .
4.2.3 Hardware-Synthese . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
36
39
40
43
45
48
49
.
.
.
.
.
.
.
53
55
55
57
58
58
59
61
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Fallbeispiele
5.1 SRAM-Schnittstelle . . . . . . . . . . . . . . . .
5.1.1 Implementierung . . . . . . . . . . . . .
5.1.2 Tests und Messungen . . . . . . . . . . .
5.2 Direct Streaming . . . . . . . . . . . . . . . . .
5.2.1 Implementierung . . . . . . . . . . . . .
5.2.2 Tests und Messungen . . . . . . . . . . .
5.3 Kommunikation über Memory Mapped Registers
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
62
63
65
68
70
71
73
74
77
79
6 Auswertung
6.1 Anwendungsbeschleunigung durch FPGAs . . . . . . . . . .
6.2 Vergleich von Mitrion-C und VHDL (RASC-Programmierung)
6.2.1 Entwicklungszeiten . . . . . . . . . . . . . . . . . . .
6.2.2 Ease-of-Use . . . . . . . . . . . . . . . . . . . . . . .
6.2.3 Fehleranfälligkeit und Debugging-Möglichkeiten . . .
6.2.4 Performance . . . . . . . . . . . . . . . . . . . . . .
6.3 Kosten-Nutzen-Abschätzung und Fazit . . . . . . . . . . . . .
6.4 Verbesserungsansätze der RASC-Plattform . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
81
81
82
83
85
88
89
91
93
5.4
5.5
5.3.1 Implementierung . . . . . . . . . . . . . . . .
5.3.2 Tests und Messungen . . . . . . . . . . . . . .
MD5 Brute Force . . . . . . . . . . . . . . . . . . . .
5.4.1 VHDL-Entwurf . . . . . . . . . . . . . . . . .
5.4.2 Implementierung mit Mitrion-C . . . . . . . .
5.4.3 Vergleich der MD5-Implementierungen . . . .
Damenproblem . . . . . . . . . . . . . . . . . . . . .
5.5.1 Backtracking-Algorithmus und Parallelisierung
5.5.2 VHDL-Implementierung . . . . . . . . . . . .
5.5.3 Implementierung mit Mitrion-C . . . . . . . .
5.5.4 Performance . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7 Zusammenfassung und Ausblick
95
Abbildungsverzeichnis
99
Tabellenverzeichnis
101
Auflistungsverzeichnis
103
Literaturverzeichnis
105
A Quellcodes
A.1 SRAM-Schnittstelle . . . .
A.2 Direct Streaming . . . . .
A.3 Memory Mapped Registers
A.4 MD5-Brute-Force . . . . .
A.5 Damenproblem . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107
107
112
114
118
123
3
Abkürzungsverzeichnis
ADR
API
ASCII
ASIC
ASSP
BLAS
CLB
COP
CPLD
CPU
DCM
DGEMM
DLL
DIMM
DMA
DSP
EEPROM
FF
FIFO
FLOP/s
FPGA
FSM
GDB
GEMM
GPGPU
GPU
GPRS
GUI
HDL
HPC
I/O
IP
LUT
MAC
MD5
MMR
MVP
NAS
PCI
PLD
RAM
RASC
SAN
Algorithm Defined Register
Application Programming Interface
American Standard Code for Information Interchange
Application Specific Integrated Circuit
Application Specific Standard Products
Basic Linear Algebra Subprograms
Configurable Logic Block
Koprozessor
Complex Programmable Logic Device
Central Processing Unit
Digital Clock Manager
Double Precision General Matrix Multiply
Delay-Locked Loop
Dual Inline Memory Module
Direct Memory Access
Digitaler Signalprozessor
Electrically Erasable Programmable Read Only Memory
Flipflop
First In – First Out
Fließkommaoperationen pro Sekunde
Field Programmable Gate Array
Finite State Machine
GNU Debugger
General Matrix Multiply
General Purpose Computation on Graphics Processing Unit
Graphics Processing Unit
General Packet Radio Service
Graphical User Interface (dt. grafische Benutzeroberfläche)
Hardware Description Language
High Performance Computing
Input/Output (dt. E/A – Eingabe/Ausgabe)
Intellectual Property
Lookup-Tabelle
Media Access Control
Message-Digest Algorithm 5
Memory Mapped Register
Mitrion Virtual Processor
Network Attached Storage
Peripheral Component Interconnect
Programmable Logic Device
Random-Access Memory (dt. Speicher mit wahlfreiem Zugriff)
Rekonfigurierbares Anwendungs-Spezifisches Computing
Storage-Area-Network
4
SDK
SGEMM
SoC
SRAM
SSL
TCL
UART
USB
VHDL
ZIH
Software Development Kit
Single Precision General Matrix Multiply
System on a Chip
Statischer RAM
Secure Sockets Layer
Tool Command Language
Universal Asynchronous Receiver Transmitter
Universal Serial Bus
Very High Speed Integrated Circuit (VHSIC) Hardware Description Language (HDL)
Zentrum für Informationsdienste und Hochleistungsrechnen
5
1 Einleitung
Das Hochleistungsrechnen (engl. high performance computing – HPC) hat die Grenze der sequentiellen
Verarbeitung bereits vor Jahren erfahren und basiert heute auf massiver Parallelverarbeitung. Dabei ist
die akkumulierte Rechenleistung auf eine Vielzahl von Prozessorkernen verteilt und kann nur durch
effiziente Parallelisierung von Programmen genutzt werden. Um Ausführungzeiten von Anwendungen
zu verkürzen oder wissenschaftliche Berechnungen überhaupt zu ermöglichen, muss demnach ein hoher
Aufwand in die effiziente parallele Programmierung investiert werden.
Eine weitere Herausforderung im HPC betrifft den immensen Stromverbrauch aktueller Systeme im
Teraflop-Bereich. Wie zukünftige Exaflop-Systeme damit umgehen, wird derzeit unter dem Schlagwort
„Green IT“ diskutiert. Allerdings ist es im Moment noch eine offene Frage, wie die erwarteten Leistungssteigerungen ermöglicht werden sollen, ohne den CO2 -Ausstoß zu erhöhen.
Einen Beitrag zur Beantwortung dieser Frage könnten Hardware-Beschleuniger, wie Grafikchips (GPUs)
und Field Programmable Gate Arrays (FPGAs) sein. Gemessen an der Performance können beide eine
deutlich geringere Leistungsaufnahme als CPUs erreichen. Dennoch sind solche Beschleuniger nicht darauf ausgelegt typische Aufgaben eines Mikroprozessors zu erfüllen (z.B. Ausführung des Betriebssystems, zwingend sequentielle Aufgaben wie Verbindungsaufbau/-abbau oder Lese-/Schreiboperationen
auf Festplatten). Zukünftige HPC-Systeme können demnach aus einer Kombination von CPUs und spezialisierten Beschleuniger-Chips bestehen. Aufgabe der HPC-Programmierer bleibt dann die effiziente
Verteilung der Arbeitslast vorzunehmen. Dabei könnten sequentielle oder stark begrenzt parallele Aufgaben weiterhin auf Mikroprozessoren gelöst werden, während berechnungsintensive hochparallele Arbeit
auf Hardware-Beschleuniger ausgelagert wird.
Im Vergleich zur Parallelverarbeitung auf mehreren Mikroprozessoren, ermöglichen FPGAs eine sehr
feingranulare Parallelisierung. Während typische Anwendungsbeschleunigung eine Anpassung an die
Hardware (z.B. an Befehlssatzerweiterungen) erfordert, wird bei FPGAs die Hardware an das Problem
angepasst und kann binnen Millisekunden umkonfiguriert werden. Heutige FPGAs besitzen genug Logikelemente um eine Vielzahl von 64-Bit Verarbeitungseinheiten (z.B. Addierer, Multiplizierer, etc.) zu
integrieren, wobei es dem Programmierer obliegt, andere Bitbreiten und spezialisierte problemspezifische Operationen zu verwenden.
6
1. EINLEITUNG
Aktuelle HPC-Systeme arbeiten mit einer Vielzahl von Mikroprozessoren, welche durch ein Netzwerk
mit hoher Bandbreite und geringer Latenz miteinander verbunden sind. Während FPGAs in eingebetteten
Systemen u.a. Verwendung finden, um mehrere Bauteile durch ein einziges zu ersetzen, werden im HPC
mehrere FPGAs auf einer Platine plaziert und an ein Mikroprozessor-basiertes System angeschlossen.
Die SGI RASC-Technologie für „Rekonfigurierbares Anwendungs-Spezifisches Computing“ integriert
mit dem RC100-Blade FPGAs als Hardware-Beschleuniger in HPC-Systeme der Altix 450/4700 Serie.
Welche Anwendungen sich beschleunigen lassen und ob andere Beschleuniger wie Grafikkarten bessere
Performance bieten, ist Teil der Untersuchungen dieser Arbeit.
Zur Programmierung von FPGAs gibt es verschiedene Möglichkeiten, welche zu mehr oder weniger
effizienten Schaltungen führen. Auf der niedrigsten Ebene kann eine Schaltung mit Hardwarebeschreibungssprachen (HDLs), wie VHDL oder Verilog, beschrieben werden. Diese haben den größten Einfluss
auf das Design und bieten für erfahrene Programmierer die beste Performance. Typischerweise sind jedoch HPC-Programmierer meist keine Hardware-Entwickler. Um die FPGA-Programmierung dem HPCProgrammierer dennoch zugänglich zu machen, abstrahieren Hochsprachen von der Komplexität des
Hardware-Entwurfs. Durch diese Sprachen kann auf Kosten der Performance eine deutliche Steigerung
der Produktivität erreicht werden.
Diese Arbeit soll mit SGI RASC eine HPC-Programmierplattform zum Einsatz von FPGAs als HardwareBeschleuniger untersuchen und dabei die Hochsprache Mitrion-C im Vergleich zu VHDL evaluieren.
Dazu wird grundlegendes Wissen über FPGAs als Zieltechnologie in Kapitel 2 vermittelt, wobei speziell
auch die hier verwendeten Virtex-4 FPGAs betrachtet werden. Die Fließkommaverarbeitung ist keine
Stärke von FPGAs, soll aber dennoch in Abschnitt 2.5 als typisches Leistungskriterium im HPC untersucht werden. In Kaptitel 3 wird schließlich die SGI RASC Programmierplattform vorgestellt, wobei
neben Aufbau und Kenndaten auch auf die Hardware- und Software-Schnittstelle eingegangen wird. Eine grundlegende Einführung in die Programmiermöglichkeiten Mitrion-C und VHDL wird in Kapitel
4 vorgenommen. Die Fallbeispiele, welche die Grundlage der Evaluierung von Mitrion-C bilden, werden in Kapitel 5 beschrieben. Dabei wird die mit VHDL und Mitrion-C erreichte Performance auch mit
anderen Technologien verglichen. Die Auswertung in Kapitel 6 soll zum einen das Leistungsvermögen
der SGI RASC Plattform bewerten und zum anderen Mitrion-C mit VHDL vergleichen und verdeutlichen, in welchen Fällen sich der Portierungsaufwand rechtfertigt. Anschließend werden in Kapitel 7 die
erreichten Ziele zusammengefasst und ein Ausblick für zukünftige Untersuchungen gegeben.
7
2 FPGAs
Ein Field Programmable Gate Array (FPGA) ist ein Halbleiterbaustein aus der Familie der „Programmable Logic Devices“ (PLDs), der durch den Nutzer bzw. Hardware-Entwickler nach der Herstellung konfiguriert werden kann. Um zu spezifizieren, wie der Schaltkreis arbeiten soll, kommen Schaltpläne oder
Hardwarebeschreibungssprachen (HDLs) zum Einsatz. Jede Funktion, die ein anwendungsspezifischer
integrierter Schaltkreis (ASIC) aufweisen kann, ist auch in einem FPGA umsetzbar. Grundlagenwissen
über FPGAs wird in [Wan98] vermittelt.
Wie Mikroprozessoren folgen FPGAs dem mooreschen Gesetz (engl. Moore’s Law) und sind mit der
Zeit schneller, komplexer und in ihrer Strukturbreite kleiner geworden. Während FPGAs früher auf einfache „Glue Logic“ beschränkt waren, sind sie heute der Umsetzung von sog. Ein-Chip-Systemen (SoCs)
gewachsen. FPGAs mit über einer Million Gatter sind derzeit keine Besonderheit mehr und ermöglichen
völlig neue Anwendungen. Zusätzlich integrieren sie übliche Fähigkeiten von anwendungsspezifischen
Standardprodukten (ASSP), wie z.B. PCI Express, USB, usw. Damit stellt die programmierbare Logik
einen wesentlichen Beitrag zur Technologie der Zukunft dar.
In diesem Kapitel werden zunächst einige Beispiele für die verschiedensten Anwendungsgebiete von
FPGAs gegeben. Anschließend wird deren grundlegende Architektur beschrieben und auf die Vorteile
und die Schwachpunkte bei der Verwendung programmierbarer Logik eingegangen. Die in dieser Arbeit
zum Einsatz kommenden Virtex-4 FPGAs und ihre Besonderheiten werden ebenso näher betrachtet. Auf
die Programmiermöglichkeiten von FPGAs wird in Kapitel 4 am Beispiel der RASC-Plattform genauer
eingegangen und inwiefern vorgefertigte Designs (IP-Cores) und höhere parallele Programmiersprachen
(siehe z.B. 4.1.1) die Nutzbarkeit von FPGAs verbessern und Anwendungsportierung in Hardware erleichtern. Schließlich wird der Einsatz von FPGAs als Hardware-Beschleuniger im Hochleistungsrechnen erläutert.
2.1 Typische Einsatzgebiete
FPGAs haben sich bis heute besonders im Bereich der eingebetteten Systeme etabliert. Durch ihre Rekonfigurierbarkeit bieten sie weitreichende Einsatzmöglichkeiten in verschiedenen Bereichen und An-
8
2. FPGAS
wendungen. Besonders in Bereichen, in denen Algorithmen oder Protokolle schnell weiterentwickelt
werden, ist die Verwendung rekonfigurierbarer Lösungen vorteilhaft. Produkte können so schneller auf
den Markt gebracht und an neue Entwicklungen angepasst werden. Außerdem lassen sich Entwicklungsfehler durch die Rekonfigurierbarkeit nachträglich beheben. Im Folgenden werden einige Beispiele für
den Einsatz von FPGAs genannt (vgl. [Xil]).
Prototypen: FPGA-basierte Prototypen dienen der Verifikation eines Hardwareentwurfs. Da die Umsetzung eines Designs auf einen ASIC sehr kostenintensiv ist, kann die Funktionsfähigkeit der entwickelten Hardware vorher auf einem FPGA überprüft werden. Zudem kann die (Gesamtsystem-)
Simulation einer komplexen Schaltung nicht mehr effizient durchgeführt werden.
Automobilindustrie: Die Automobilelektronik nutzt zunehmend FPGA-basierte Schaltungen, um z.B.
den effizienten Transport von Datenströmen zu steuern, mehrere Peripheriefunktionen im Auto zu
vernetzen, Navigation, Infotainment oder Fahrerassistenzsysteme anzusteuern.
Signalverarbeitung: Für Lösungen zur Übertragung von Video- und Audio-Daten vom Erzeuger
zum Verbraucher und die entsprechende Signalverarbeitung, wie z.B. die Decodierung von Musik,
Sprache und Datendiensten werden FPGAs eingesetzt.
Kommunikationstechnik: FPGAs sind sowohl in der drahtlosen, als auch in der drahtgebundenen
Kommunikation einsetzbar. Sie werden beispielsweise bei der Protokoll-Abarbeitung für verschiedene Übertragungsstandards, wie GPRS oder Ethernet-MAC-Layer verwendet.
Luft- und Raumfahrt/militärische Anwendungen: In diesem Bereich werden häufig FPGAs mit
strahlungsfesten Gehäusen eingesetzt, um mit IP-Cores Bild- und Tonsignale zu verarbeiten. Ein
weiterer Nutzungsgrund im militärischen Bereich ist das Verlorengehen der Programmierung des
FPGAs, wenn kein Strom anliegt und damit die Sicherstellung, dass Informationen geheim bleiben.
Verbraucher: Auch für die Verbraucherelektronik bieten FPGAs kostengünstige Lösungen. Sie werden beispielsweise in digitalen Flachbildschirmen, für das Heimnetzwerk oder in Digitalempfängern und SetTop-Boxen verwendet.
Industrie/Forschung/Medizin: Marktspezifische angepasste Lösungen, wie z.B. Motorkontrolle in
der Automatisierung, High-End-Bildverarbeitung in der Medizin oder Erkennung von Mustern in
der Biologie, spielen in diesen Bereichen eine wesentliche Rolle.
Speicher- und Archivierungssysteme: FPGAs eignen sich für die Realisierung schneller Speicherund Schnittstellensysteme. Sie werden unter anderem in NAS- und SAN-Systemen verwendet.
Beschleunigung von Algorithmen: Mit dieser Art der Anwendung von FPGAs beschäftigt sich
diese Diplomarbeit. Die rekonfigurierbare Hardware fungiert dabei als Spezial- oder Koprozessor.
2.2. AUFBAU UND GRUNDSTRUKTUR / ARCHITEKTUR
9
Rechenintensive Teile eines Algorithmus werden nicht mehr auf der CPU, sondern auf einem oder
mehreren FPGAs ausgeführt. In Abschnitt 2.6 wird auf die Funktion von FPGAs als HardwareBeschleuniger im HPC genauer eingegangen.
2.2 Aufbau und Grundstruktur / Architektur
Üblicherweise sind FPGAs aus einer regelmäßigen Struktur von konfigurierbaren Logikblöcken (CLBs),
I/O-Ports und Verbindungskanälen, wie Abbildung 2.1 zeigt, aufgebaut.
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
IO
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
IO
IO
BlockRAM
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
BlockRAM
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
BlockRAM
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
BlockRAM
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
CLB
IO
IO
IO
IO
IO
IO
CLB
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
CLB
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
IO
Abbildung 2.1: Typische Architektur eines FPGA
Um eine Schaltung auf einen FPGA abbilden zu können, muss dieser ausreichend geeignete Ressourcen
bereitstellen. Während die Anzahl der benötigten CLBs und I/O-Ports einfach aus dem Design heraus
bestimmt werden kann, variiert die Anzahl der Routing-Elemente sogar bei Designs mit gleicher Menge
an Logik. Beispielsweise benötigt ein Koppelfeld (engl. crossbar switch) mehr Verbindungsressourcen
als ein systolisches Array mit der selben Anzahl von Gattern. Da ungenutzte Verbindungsressourcen die
Kosten erhöhen und FPGA-Fläche belegen, werden nur so viele Verbindungskanäle implementiert, wie
benötigt werden, um die meisten Designs routen zu können. Dies führt jedoch dazu, dass Schaltungen,
die von der Anzahl der benötigten Logik in einen FPGA passen würden, u.U. nicht geroutet werden
können.
Der typische FPGA-Logikblock besteht aus einer Lookup-Tabelle (LUT) mit vier Eingängen und einem
Flipflop, wie Abbildung 2.2a zeigt. Die meisten FPGAs besitzen zudem noch Carry-Logik, die schnelle
10
2. FPGAS
Verbindungen zwischen mehreren CLBs und damit z.B. auch schnelle Additionen mit großer Bitbreite
ermöglicht. Eine 4-Eingangs-LUT hat eine Kapazität von 16 verschiedenen Kombinationen. Die in aktuellen FPGAs verwendete 6-Eingangs-LUT erhöht die Kapazität auf 64 verschiedene Kombinationen.
Soll beispielsweise ein Paritätsbit für einen 32 Bit breiten Bus (siehe Abbildung 2.3) berechnet werden,
sind 32 Eingänge über XOR-Verknüpfungen mit einem Ausgang zu verbinden. Wird diese Operation
mit einer 4-Eingangs-LUT durchgeführt, werden elf LUTs und drei Logikebenen benötigt. Mit einer
6-Eingangs-LUT lässt sich dieselbe Funktion mit nur sieben LUTs und zwei Logikebenen ausführen.
Neben der Ressourceneinsparung durch die Verwendung von weniger LUTs, wird auch der kritische
Pfad kürzer und die benötigten Verdrahtungsressourcen verringern sich. Vorteile bieten sich dadurch
primär bei der Verwendung von Operationen mit großer Bitbreite.
cout
Kanal
CarryLogik
LUT
FF
Verbindung
programmierbarer
Schalter
CLB
cin clk rst
(a) Einfacher konfigurierbarer Logikblock
(b) Schaltmatrix
Abbildung 2.2: FPGA Logikblock und Schaltmatrix (vgl. [Wik09])
LUT1
LUT9
LUT1
LUT4
o
o
LUT5
LUT10
LUT7
LUT11
o
o
o
o
LUT6
LUT6
Abbildung 2.3: Paritätsbit für 32-Bit-Wert: 4-Eingangs-LUT (links), 6-Eingangs-LUT (rechts)
2.3. STÄRKEN UND SCHWÄCHEN VON FPGAS
11
Ein CLB hat pro LUT nur einen Ausgang, an welchem entweder der Wert des Flipflop- oder LUTAusgangs anliegt. Die Durchschaltung des LUT-Ausgangs erzeugt Logik, während ein Flipflop Werte
puffert und damit den kritischen Pfad unterbricht. Neben den Eingängen für die LUTs haben CLBs noch
weitere Eingänge wie z.B. für das Takt-Signal. Dieses und andere Signale mit hohem Fanout werden
normalerweise über spezielle Verbindungsressourcen verteilt. Weitere spezielle Verbindungsressourcen
zwischen benachbarten Logikblöcken können sog. „Carry-Chains“ implementieren.
CLBs sind untereinander über Schaltmatrizen und entsprechende Verbindungskanäle gekoppelt. In Abbildung 2.2b wird eine solche Schaltmatrix mit programmierbaren Schaltern gezeigt. Für diesen Fall
einer planaren Topologie kann eine Leitung mit drei ebenso an die Schaltmatrix gekoppelten Kanälen
verbunden werden, allerdings eine bestimmte Leitung auch nur auf eine andere Leitung in einem benachbarten Kanal umgeleitet werden (z.B. wird Leitung 1 mit Leitung 1 aus einem anderem Kanal verbunden,
Leitung 2 mit Leitung 2 aus einem anderen Kanal, usw.).
In modernen FPGAs (siehe Abschnitt 2.4) werden fest verdrahtete Schaltungen mit spezieller Funktionalität integriert. Diese benötigen weniger Chip-Fläche und können schneller getaktet werden als äquivalente Schaltungen, welche durch normale CLBs abbgebildet werden.
2.3 Stärken und Schwächen von FPGAs
Zur Darstellung einiger Stärken und Schwächen von FPGAs werden in diesem Abschnitt fest verdrahtete
Chips, wie ASICs, Mikroprozessoren und andere Hardware-Beschleuniger, als Vergleich herangezogen.
Prinzipiell lässt sich feststellen, dass FPGAs die Flexibilität von Software und die Leistungsfähigkeit
dedizierter Hardware vereinen.
Eine hohe Verarbeitungsleistung durch FPGAs ist immer dann zu erwarten, wenn die Anwendung im
Wesentlichen mit Integerverarbeitung und Logikoperationen auskommt und zudem gut parallelisierbar
ist. Im Vergleich zur parallelen Abarbeitung von Software auf Mehrkernprozessoren oder Rechnersystemen mit vielen CPUs, wird bei FPGAs von Hardwareparallelität gesprochen. Sequentielle Algorithmen,
die auch durch Pipelining keine Parallelverarbeitung ermöglichen, werden kaum Geschwindigkeitsgewinnen erreichen. Dies liegt zum einen an den Taktraten von FPGAs, die ungefähr um den Faktor zehn
geringer sind als bei Mikroprozessoren und zum anderen am zusätzlichen Kommunikationsaufwand.
Während Prozessoren eine feste Verarbeitungsbreite aufweisen, kann der Hardware-Entwickler die Bitbreite von Datentypen und Operationen bestimmen. Dies ist einer der entscheidenden Vorteile von FPGAs,
welcher die Anpassung der Hardware an einen Algorithmus auf Bit-Ebene ermöglicht und damit dazu
beiträgt, Ressourcen einzusparen.
12
2. FPGAS
Ein verhältnismäßig schwacher Punkt bei FPGAs ist derzeit noch die Verarbeitung von Fließkommawerten (siehe Abschnitt 2.5), obwohl darauf spezialisierte FPGAs mit vielen DSP-Blöcken durchaus gute
Fließkommaverarbeitungsleistung erbringen können. Für Algorithmen, die primär auf solchen Datentypen arbeiten, sind andere Beschleuniger, wie z.B. ClearSpeed- oder Grafikkarten, meist besser geeignet
und bringen auch bessere Performance.
Der wesentliche Vorteil von FPGAs gegenüber ASICs ist die Rekonfigurierbarkeit, welche es ermöglicht,
eine an bestimmte Anforderungen bereits angepasste Hardware im Nachhinein noch zu modifizieren oder
auch zu erweitern. Damit bieten FPGAs eine ähnliche Flexibilität wie Software. Diese Eigenschaft wird
u.a. dafür genutzt Prototypen zu erstellen, um Ideen und Konzepte bereits in Hardware testen zu können. Für einen Langzeiteinsatz ist die Rekonfigurierbarkeit ebenfalls von Vorteil, da sich über die Jahre
Spezifikationen verändern und eine Anpassung der FPGAs ohne erneute Fertigung und Austausch der
Hardware möglich ist. Damit reduzieren sich u.U. Wartungskosten. Eine weitere Eigenschaft moderner
SRAM-basierter FPGAs, dynamische partielle Rekonfiguration1 , ist zunehmend auch für Anwendungen
in der Praxis interessant (z.B. bei Fahrerassistenzsystemen in der Automobilindustrie). Sie ermöglicht
es Anwendungen sich an wechselnde Bedingungen anpassen zu können, ohne dass der komplette FPGA
mit einem neuen Bitstream rekonfiguriert werden muss.
Auf FPGAs basierende Lösungen ermöglichen es mitunter Markteinführungszeiten stark zu verkürzen,
da das Silizium bereits geprüft ist und kein langer Fertigungsprozess notwendig ist. Der kostenintensive
Entwicklungs- und Fertigungsprozess von ASICs führt dazu, dass FPGAs für kleine und mittlere Stückzahlen kostengünstiger sind. Ab größeren Stückzahlen macht sich der höhere Einzelpreis von FPGAs
jedoch bemerkbar.
Im Vergleich zu ASICs haben FPGAs einen höheren Leistungsbedarf und eine geringere Logikdichte (ca.
zehnfacher Flächenbedarf bei gleicher Technologie). Wird jedoch der Leistungsbedarf moderner CPUs
betrachtet, sind FPGAs deutlich sparsamer. Insbesondere bei einem auch im HPC an Relevanz gewinnenden Maß „Performance pro Watt“ sind FPGAs bei geeigneter Algorithmen-Wahl weitaus effizienter.
Allerdings stehen sie hier in direkter Konkurrenz zu anderen Hardware-Beschleunigern (z.B. ClearSpeed,
GPGPUs), welche sehr gute Werte hinsichtlich dem Verhältnis von Performance zu Leistungsaufnahme
aufweisen.
Fest verdrahtete Logik wie ASICs und Mikroprozessoren ermöglichen höhere Taktfrequenzen als FPGAs.
Aktuell sind FPGAs mit bis zu 600 MHz verfügbar, typisch sind jedoch 20 bis 250 MHz. Die Flexibilität
von modernen Mikroprozessoren (Befehlssatzerweiterungen, etc.) und FPGAs ziehen Nachteile gegenüber ASICs mit sich. Da Aufgaben nicht, wie bei einem spezialisierten Baustein, optimal abgearbeitet
1
Rekonfiguration von Teilen des FPGAs zur Laufzeit (während andere Blöcke weiter arbeiten)
2.4. VIRTEX-4 FPGAS
13
werden können, sind Energieverbrauch, Datendurchsatz, Chip-Fläche, Taktfrequenz und andere Zielparameter schlechter.
Ein mitunter entscheidender Punkt, der gegen die Verwendung von FPGAs sprechen kann, ist der Entwicklungsaufwand, der beim Hardware-Entwurf betrieben werden muss (siehe Abschnitt 6.2.1 und 6.2.1).
Zudem sind die Preise moderner High-End-FPGAs sehr hoch. Nicht zu vergessen ist, dass auch FPGAs
in ihrer Ausstattung (z.B. eingebetteter Speicher, analoge Elemente, I/O-Ressouren) beschränkt sind.
SRAM-basierte FPGAs müssen zudem bei jedem Systemstart konfiguriert werden. Es sind also zusätzliche externe Komponenten (z.B. EEPROM oder Flash-Speicher und Mikrokontroller) notwendig, um den
Bitstream in den FPGA zu laden. Das bedeutet auch, dass die Funktionalität eines FPGAs nicht direkt
nach dem Einschalten zur Verfügung steht, sondern erst nach dem Laden. Dies kann je nach eingesetzter
Technik einige Zeit, typischerweise im Bereich von Millisekunden, dauern.
2.4 Virtex-4 FPGAs
Die Virtex-4 FPGA-Familie umfasst drei Plattformen, welche für verschiedene Anwendungszwecke konzipiert sind: LX - Logik, FX - Features, SX - Signalverarbeitung. Die Unterschiede liegen in der Anzahl
der frei programmierbaren Logikzellen, den integrierten fest verdrahteten Spezialblöcken und der Menge
an digitalen Signalverarbeitungsblöcken (DSP-Slices). Zudem besitzt jede Plattform FPGA-Modelle in
verschiedener Größe und Ausführung. Die in dieser Arbeit verwendeten Virtex-4-LX-FPGAs beinhalten
die meisten frei programmierbaren Logikzellen der gesamten Virtex-4 FPGA-Familie.
Xilinx untergliedert die Virtex-4-CLBs in vier sog. Slices (vgl. Abbildungen 2.4 und 2.5), wobei zwei
davon ausschließlich zur Umsetzung von Logik dienen, während die anderen Beiden außerdem als verteilter Speicher oder Schieberegister verwendet werden können. Die Slices bestehen jeweils aus zwei
4-Input-LUTs und zwei Flipflops, womit die Verarbeitungsbreite eines CLBs auf maximal 64 Bit beschränkt ist.
Die neueste Generation von Xilinx-FPGAs, die Virtex-6-Serie, hat CLBs bestehend aus zwei Slices mit
jeweils vier 6-Input-LUTs und vier Flipflops (siehe [Xil09b]), was für heutige Anwendungen von HighEnd-FPGAs eine effizientere Aufteilung sein soll. Virtex-4-Chips werden aus 300 mm Wafern in 90-nm
Technologie produziert, während neuere Virtex-6-FPGAs bereits in 40-nm Technologie hergestellt werden. Durch ein effizienteres Verbindungsnetzwerk und kleinere Strukturbreiten kann damit bei gleicher
Taktfrequenz die Leistungsaufnahme der FPGAs verringert werden.
Die Speicherressourcen von Virtex-4 FPGAs reichen von 48 bis 552 18Kbit Dual-Port-RAM-Blöcken
(500 MHz) und von 86 bis 1392 KBits als verteilten Speicher (Verwendung von CLBs). Zudem sind
14
2. FPGAS
SLICEL SLICEL
(Logik | verteilter Speicher | Schieberegister)
(Logik)
SHIFTIN
COUT
Slice 2
Schaltmatrix
COUT
CIN
Slice 1
Verbindung zu
Nachbar-CLBs
Slice 3
Slice 0
CLB
SHIFTOUT
CIN
Abbildung 2.4: Konfigurierbarer Logikblock (CLB) der Virtex-4 FPGAs (vgl. [Xil08c])
LUT
FF/
Latch
LUT
FF/
Latch
Virtex-4 Slice
clk rst
Abbildung 2.5: Stark vereinfachter Virtex-4-Slice (ohne Carry- und Speicher-Logik, vgl. [Xil08c])
2.5. FLIESSKOMMAVERARBEITUNGSLEISTUNG
15
zwischen 32 und 512 „Xtreme DSP Slices2 “ (500 MHz) und 4 bis 32 „Digital Clock Manager“ (DCM)
Blöcke integriert. Durch die unterschiedlich langen Verbindungen erreicht ein Taktsignal die einzelnen
CLBs nicht gleichzeitig. Für Pipelines z.B. ist es jedoch wichtig, dass sie synchron getaktet sind, da sonst
undefinierte Werte zustande kommen können. Mit Hilfe von „Delay-Locked Loops“ (DLLs) sorgen die
DCMs dafür, dass der Takt alle CLBs gleichzeitig erreicht.
Außerdem gibt es für die FX-Plattform sog. Hard-IP-Blöcke (fest verdrahtete Schaltungen), wie z.B.
PowerPC-Prozessor-Blöcke (bis 450MHz, maximal zwei pro FPGA), Ethernet MACs (zwei oder vier pro
FPGA) und RocketIO Multi-Gigabit-Transceiver(MGT)-Blöcke3 (8 bis 24 pro FPGA). Fest verdrahtete
Logik für Multiplizierer, Prozessorkerne etc. benötigt weniger Fläche auf dem Chip und kann schneller
getaktet werden als logisch gleichartige Schaltungen unter der Verwendung von CLBs.
Virtex-4 FPGAs bieten mit dem Dynamic Reconfiguration Port (DRP) eine einfache Möglichkeit, ähnlich
dem Block-RAM-Interface, die Funktionalität einer Anwendung während der Laufzeit zu ändern. Dieser
ist in zwei Arten von Funktionsblöcken integriert: DCMs und MGTs.
Detailliertere Informationen zu allen FPGAs der Virtex-4-Serie können der Produktspezifikation [Xil07]
entnommen werden. Auf die Virtex-4-Architektur und integrierte Funktionsblöcken wie Block-RAM,
DCMs und E/A-Ressourcen wird im Benutzerhandbuch [Xil08c] eingegangen, während [Xil08b] die
Konfigurationsmöglichkeiten (Varianten den Bitstream in den FPGA zu laden, zur Verfügung stehende
Schnittstellen, Aufbau des Bitstreams) beschreibt.
2.5 Fließkommaverarbeitungsleistung
Im Hochleistungsrechnen (engl. High Performance Computing - HPC) ist die Verarbeitungsleistung von
Gleitkommazahlen ein wesentliches Kriterium, um die Leistungsfähigkeit eines Systems zu bewerten.
Als Maßeinheit werden Fließkommaoperationen pro Sekunde (FLOP/s) verwendet. In diesem Abschnitt
wird Gleitkomma oder Fließkomma mit der aus dem Englischen kommenden Bezeichnung FP (floating
point) abgekürzt.
Auch wenn die Stärke von FPGAs in anderen Bereichen liegt, soll die zu erwartende FP-Verarbeitungsleistung näher untersucht werden. Als Referenz dienen wie üblich Mikroprozessoren, wobei auch Grafikprozessoren (GPUs) als Vergleich herangezogen wurden. In [Str07] wird die FP-Performance von FPGAs
anhand theoretischer Berechnungen abgeschätzt. Eine Aktualisierung und Anpassung dieser Leistungsbewertung unter Berücksichtigung von [KC07] wird in [SSWW08] vorgenommen.
2
3
Jeder Xtreme DSP Slice besteht aus einem 18x18 Multiplizierer, einem Addierer und einem Akkumulator
serielle Transceiver mit 622 Mb/s bis 6.5 Gb/s Baudrate
16
2. FPGAS
FP-Verarbeitung findet typischerweise in der verallgemeinerten Matrix-Multiplikation (engl. General
Matrix Multiply - GEMM) Verwendung. Um maximale Performance für Mikroprozessoren zu erreichen, werden vom Programmierer hochoptimierte GEMM-Funktionen (für einfache Genauigkeit (32 Bit)
SGEMM und doppelte Genauigkeit (64 Bit) DGEMM) verwendet und Zeiger auf die zu multiplizierenden Matrizen übergeben. Bei FPGAs steht dem Programmierer im Optimalfall eine vom Systemanbieter mitgelieferte Routine zur Verfügung, welche dieselben Zeiger akzeptiert. Im ersten Fall wird die
GEMM-Funktion auf einem Mikroprozessor ausgeführt und in dessen Speicher gearbeitet. Im zweiten
Fall wird der Mikroprozessor mittels direktem Speicherzugriff (DMA) Daten an den FPGA oder ihm zur
Verfügung stehende Speicherressourcen übertragen. Die durch die rekonfigurierbare Logik berechneten
Ergebnisse werden anschließend wieder in den Speicher des Mikroprozessors übertragen.
Auch wenn die Bandbreite und Latenz der Kommunikation zwischen Mikroprozessor und FPGA mitunter starken Einfluss auf die Performance der Anwendung hat, wird sie für diese theoretische Betrachtung vernachlässigt. Die maximal von einem Mikroprozessor erreichbaren FLOP/s errechnen sich aus
den pro Takt und Kern durchführbaren FP-Operationen, multipliziert mit der Taktfrequenz und der Anzahl der Kerne auf dem Prozessor. Damit kann ein Vierkern Opteron Prozessor mit 2,5 GHz theoretisch 40 GFLOP/s (4 Operationen/Takt · 4 Kerne · 2,5 GHz) bei doppelter Genauigkeit (64 Bit) und
80 GFLOP/s bei einfacher Genauigkeit (32 Bit) erreichen.
Ein FPGA besitzt weder FP-Addierer noch FP-Multiplizierer, sondern generische Logik, welche vom
Nutzer konfiguriert werden kann. Um also eine vergleichbare maximale 64-Bit-FP-Verarbeitungsleistung
zu bestimmen, muss herausgefunden werden, wieviele Addierer und Multiplizierer bei welcher Taktfrequenz auf dem FPGA implementierbar sind. Die Spitzenleistung berechnet sich dann aus der durch den
FPGA zur Verfügung stehenden Logik, dividiert durch die von einer FP-Verarbeitungseinheiten benötigten Logik, multipliziert mit der maximal erreichbaren Taktfrequenz des Designs.
Berechnungsgrundlagen (FPGA)
Als Basis der folgenden Berechnungen dienen vier Dokumente von Xilinx: die Kenndatenübersichten der Virtex-4-, Virtex-5- und Virtex-6-Familie ([Xil07], [Xil09a], [Xil09b]) und die Spezifikation
des „Xilinx Floating-Point Core“ ([Xil08a]). Aus letzterem können die zur Implementierung von FPVerarbeitungseinheiten benötigten Ressourcen für Virtex-4- und Virtex-5-FPGAs entnommen werden.
Einige Kenndaten, über die in diesem Abschnitt betrachteten FPGAs, sind in Tabelle 2.1 zusammengefasst und werden in den folgenden Berechnungen verwendet. Zu beachten ist außerdem, dass die Slices
der Virtex-Familien unterschiedlich viele FFs und LUTs beinhalten.
Um die FP-Verarbeitungsleistung von FPGAs realistisch abschätzen zu können, muss ein Teil der Lo-
2.5. FLIESSKOMMAVERARBEITUNGSLEISTUNG
FPGA
Virtex-4 LX200
Virtex-4 SX55
Virtex-5 LX330
Virtex-5 SX240T
Virtex-6 LX760
Virtex-6 SX475T
Slices
89.088
24.576
51.840
37.440
118.560
74.400
LUTs
178.176
49.152
207.360
74.880
474.240
297.600
17
FFs
178.176
49.152
207.360
74.880
948.480
595.200
DSP-Slices
96
512
192
1056
864
2016
FP-LUTs
105.451
19.435
124.907
86.507
302.827
185.067
FP-FFs
105.451
19.435
124.907
86.507
618.987
383.467
Virtex-4-Slice: 2 FFs und 2 LUTs; Virtex-5-Slice: je 4 FFs und 4 LUTs; Virtex-6-Slice: 8 FFs und 4 LUTs
Tabelle 2.1: Kenndaten einiger Virtex-FPGAs
gik für die Host-FPGA-Kommunikationsschnittstelle und den Speicherkontroller reserviert werden. In
[SSWW08] werden dafür 20.000 Flipflops (FFs) und 20.000 Lookup-Tabelle (LUTs) veranschlagt und
in folgenden Berechnungen verwendet. Für die RASC Core Services liegt dieser Wert je nach Kommunikationsvariante zwischen 8.000 und 17.000 FFs und 7.000 und 13.000 LUTs (vgl. Abschnitte 5.1.1,
5.2.1 und 5.3.1). Da es möglich ist Kommunikationsvarianten zu kombinieren, kann auch eine größere
Menge an Ressourcen durch die Core Services belegt werden. Die Gesamtzahl an LUTs und FFs wird
zusätzlich um 33% reduziert (siehe [KC07]), um das Routing des Designs zu ermöglichen. Damit stehen für FP-Operationen nur
2
3
· (F F s − 20.000) FFs und
2
3
· (LU T s − 20.000) LUTs zur Verfügung
(vgl. grau hinterlegte Spalten aus Tabelle 2.1). Schließlich wird noch eine um 15% verringerte maximale
Taktfrequenz der FP-Schaltungen (aus [Xil08a]) angenommen, um Verdrahtungsanforderungen gerecht
zu werden.
Performance-Abschätzung
Mit dem „Xilinx Floating-Point Core“ können für verschiedene FPGAs zusätzlich noch verschiedene
Implementierungen (vier für Multiplikation, zwei für Addition) vorgenommen werden, welche sich hinsichtlich der Nutzung von DSP-Slices, Logik und Flipflops und der maximal erreichbaren Taktfrequenz
unterscheiden. So sind FP-Operationen ausschließlich mit CLBs oder unter zusätzlicher Verwendung
von DSP-Slices umgesetzbar. Werden weniger DSP-Slices verwendet, ist der Bedarf an FFs und LUTs
für die gleiche Anzahl an FP-Verarbeitungseinheiten höher und die maximale Taktfrequenz niedriger. In
[SSWW08] werden die besten Resultate aller möglichen Kombinationen von Implementierungen, bezogen auf das Verhältnis von Addition und Multiplikation, ermittelt und zudem die Speedups zum 2,5 GHz
Vierkern Opteron Prozessor angegeben. Tabelle 2.2 zeigt einen Ausschnitt der Ergebnisse dieser theoretischen FPGA-FP-Betrachtung.
Nach diesen Werten ist der Virtex-5 SX240T bei jedem beliebigen Verhältnis von Multiplikation und Addition schneller als der Opteron Prozessor. Besonders auffällig ist, dass sich der FPGA-Speedup mit grö-
18
2. FPGAS
Verhältnis
Add:Mult
nur Add.
8:1
4:1
2:1
1:1
1:2
1:4
1:8
nur Mult.
Optimal
GFLOP/s (64 Bits / 32 Bits)
Opteron
LX330
SX240T
17,00 / 34,00 32,96 / 85,09 29,97 / 80,39
19,13 / 38,25 33,77 / 87,43 29,97 / 84,56
21,25 / 42,50 28,14 / 90,45 32,10 / 92,22
25,50 / 51,00 21,71 / 94,47 34,97 / 104,40
34,00 / 68,00 18,89 / 89,04 39,29 / 122,50
25,50 / 51,00 16,28 / 88,72 42,37 / 141,98
21,25 / 42,50 15,07 / 81,81 43,33 / 149,64
19,13 / 38,25 14,47 / 79,08 40,45 / 153,47
17,00 / 34,00 13,47 / 79,69 37,56 / 162,52
34,30 / 94,47 44,94 / 162,52
Speedup over Opteron
LX330
SX240T
1,94 / 2,50 1,76 / 2,36
1,77 / 2,29 1,57 / 2,21
1,32 / 2,13 1,51 / 2,17
0,85 / 1,85 1,37 / 2,05
0,56 / 1,31 1,16 / 1,80
0,64 / 1,74 1,66 / 2,78
0,71 / 1,92 2,04 / 3,52
0,76 / 2,07 2,12 / 4,01
0,79 / 2,34 2,21 / 4,78
-
Tabelle 2.2: FP-Performance von Virtex-5-FPGAs im Vergleich zu Opteron Prozessor
ßerer Entfernung vom Verhältnis 1:1 verbessert und im Optimalfall für den SX240T 4,78 erreicht. Tabelle
2.3 zeigt einen Überblick der Top-FPGA-Modelle von Xilinx aus den letzten drei Virtex-Generationen
und ihre FP-Performance bei Verwendung von genauso vielen Multiplizierern wie Addierern. Damit ist
ein direkter Vergleich mit Mikroprozessoren, welche Multiplizier-Addier-Einheiten verwenden möglich.
Die Werte wurden hier von Hand berechnet und müssen damit nicht dem Optimum entsprechen, sollten
aber nicht weit davon entfernt sein.
FPGA
Virtex-4 LX200
Virtex-4 SX55
Virtex-5 LX330
Virtex-5 SX240T
Virtex-6 LX760
Virtex-6 SX475T
Mult-Add
6+25 / 90+0
10+ 0 / 26+0
21+26 / 133+0
66+ 0 / 189+0
96+60 / 432+0
163+ 0 / 504+0
Taktfrequenz
153,85 / 255,00 MHz
277,95 / 331,50 MHz
201,45 / 348,50 MHz
337,45 / 348,50 MHz
219,76 / 380,18 MHz
341,24 / 380,18 MHz
GFLOP/s
9,54 / 45,90
5,56 / 17,24
18,93 / 42,85
44,54 / 131,73
68,57 / 328,48
111,24 / 383,22
Tabelle 2.3: Virtex-FPGAs: FP-Performance Multiplikation-Addition (64 Bit / 32 Bit)
Die zweite Spalte gibt an, wieviele Multiplizier-Addier-Einheiten auschließlich in Logik und mit DSPSlices implementiert wurden (DSP + Logik = FP-Einheiten). Die in [Xil08a] angegebenen maximalen
Taktfrequenzen wurden um 15% verringert und sind in Spalte drei eingetragen. Da die für die Virtex6-FPGAs benötigten Ressourcen zur Implementierung von FP-Verarbeitungseinheiten noch nicht angegeben sind, wurden die Werte der Virtex-5 angenommen. Die maximale Taktfrequenz wurde jedoch
mit
12
11
multipliziert, weil Virtex-6-DSP-Slices anstelle von 550 MHz mit 600 MHz arbeiten. Die FP-
Performance errechnet sich aus dem mit zwei multiplizierten Produkt der Spalten fünf und sechs, da eine
Multiplizier-Addier-Einheit gleichzeitig Multiplikation und Addition durchführen kann.
Der begrenzende Faktor für die Signalverarbeitungs-FPGAs ist meist der Logik- oder FF-Bedarf, während bei auf Logik optimierten FPGAs (LX) die DSP-Slices nicht ausreichen, damit FP-Einheiten in
2.6. FPGAS ALS HARDWARE-BESCHLEUNIGER IM HPC
19
CLBs umgesetzt werden und die Taktfrequenz verringert werden muss. Virtex-6-FPGAs beinhalten pro
Slice acht FFs und vier LUTs, wodurch der FF-Bedarf kein die FP-Performance begrenzender Faktor ist.
Die schwache Leistung des Virtex-4 SX55 liegt an der geringen Anzahl an FFs und LUTs, wodurch bei
voller Nutzung der DSP-Slices nur etwa 37% der insgesamt verfügbaren DSP-Slices verwendet werden
können.
Verglichen mit GPUs (siehe [Wag08]) ist die theoretisch erreichbare FP-Performance von FPGAs deutlich geringer. NVIDIAs Tesla C870 und AMDs FireStream 9170 haben eine theoretische Maximalleistung von über 500 GFLOP/s für einfache Genauigkeit (32 Bit). Bei Messungen konnten jedoch maximal
200 GFLOP/s erreicht werden.
Wird der Fakt betrachtet, dass FPGAs eigentlich nicht für FP-Verarbeitung entwickelt wurden, bieten
neue Modelle dennoch sehr gute FP-Leistung und können mit aktuellen Prozessoren mithalten. Einen
weiteren Geschwindigkeitsschub kann mit FPGAs erreicht werden, wenn geringe Bitbreiten benötigt
werden. Während eine 64-Bit-Addition nur etwa doppelt soviel Ressourcen wie eine 32-Bit-Addition
benötigt, sind es beim Umstieg von 32-Bit auf 64-Bit Multiplikation viermal soviele Ressourcen. Bei
einfacher Genauigkeit (32 Bit) erreicht auch ein Virtex-4 LX200 etwa 46 GFLOP/s, was fast fünfmal
so schnell wie der Wert für doppelte Genauigkeit (64 Bit) aus Tabelle 2.3 ist. Zudem werden gute FPBibliotheken für Mikroprozessoren in Assembler handoptimiert, was einen ähnlichen Aufwand wie die
Hardware-Programmierung mit sich bringt.
2.6 FPGAs als Hardware-Beschleuniger im HPC
Neben anderen Hardware-Beschleunigern werden im Hochleistungsrechnen (HPC) auch FPGAs eingesetzt. Ein Grund dafür ist der enorme Stromverbrauch auf herkömmlichen Mikroprozessor basierten,
großen Rechnersystemen. Im Bereich eingebetteter Systeme ist der Stromverbrauch schon lange ein begrenzender Faktor, während dies erst seit Kurzem im HPC eine Rolle spielt. Abbildung 2.6 zeigt die
Leistungsaufnahme von FPGAs und GPUs im Vergleich zu CPUs in Abhängigkeit vom Geschwindigkeitsgewinn (vgl. Formel 2.1). Als Referenz wird ein CPU-Kern mit einer Leistungsaufnahme von 20
Watt (PCP U = 20W ) angenommen, ein FPGA mit 25 Watt (PF P GA = 25W ) und ein GPU mit 125
Watt (PGP U = 125W ). Um also eine Energieersparnis von 50% zu erreichen, muss die durch den
FPGA/GPU beschleunigte Anwendung 2,5/12,5 mal so schnell sein.
P (Sp ) =
PF P GA/GP U
PCP U · SP
(2.1)
2. FPGAS
Leistungsaufnahme im Vergleich zu CPU (%)
20
120
CPU-Kern: 20W
FPGA-Modul: 25W
GPU: 125W
GPU
FPGA
100
80
60
40
20
0 1,25 2,5
0
5
6,25
10
12,5
15
20
25
30
35
40
45
50
55
60
Geschwindigkeitsgewinn
Abbildung 2.6: Energieeffizienz von FPGAs und GPUs
Diese Darstellung betrachtet jedoch nur die Recheneinheiten selber und vernachlässigt jegliche PeriphrieKomponenten, auch wenn diese zur Ansteuerung bzw. zum Betrieb notwendig sind. Es kommt also noch
ein schwer bestimmbarer Faktor hinzu, welcher neben Komponenten, wie z.B. Speicher, auch die Kühlung mit einschließt.
Es werden hier ausschließlich SRAM basierte FPGAs verwendet, weil diese, unter der Bedingung rekonfigurierbar zu sein, die beste Performance aufweisen. Aktuelle High-End-FPGAs mit vielen Logikblöcken sind zwar sehr kostenintensiv, bieten jedoch viele Zusatzmerkmale und fest integrierte Schaltungen,
die eine schnelle Anbindung an das Host-System erlauben. Zudem kann auf derart großen Chips nahezu
jeder Algorithmus implementiert werden. In FPGA-basierten Beschleuniger-Systemen übernimmt ein
Host die Ansteuerung und Programmierung der FPGAs.
In Kapitel 3 wird mit SGI RASC ein System vorgestellt, welches FPGAs aus der Virtex-4 LX Familie (siehe Abschnitt 2.4) als Hardware-Beschleuniger verwendet. Andere Systeme arbeiten mit sog.
„In-Socket Accelerators“, wobei einfach ein Mikroprozessor durch einen Pin-kompatiblen FPGA ersetzt wird. Die enge Kopplung von CPU und FPGA führt zu einer geringen Latenz zwischen beiden
und FPGAs haben zudem noch direkten Zugriff auf die Speicherressourcen des Systems. XtremeData’s
XD2000i und XD2000F sind solche Lösungen.
21
3 SGI RASC
Unter „Rekonfigurierbares Anwendungs-Spezifisches Computing“ (RASC) fasst SGI die Verarbeitung
spezieller Anwendungen oder Algorithmen durch rekonfigurierbare Hardware zusammen. Im Folgenden
wird das RASC-System hinsichtlich verwendeter Hardware, theoretischen Beschränkungen, zugehöriger
Software und ihrer Integration in das Hostsystem SGI Altix 4700 genauer vorgestellt.
3.1 SGI Altix 4700
Der Hochleistungsrechner SGI Altix 4700 ist eine Distributed-Shared-Memory-Architektur, wobei der
Hauptspeicher (und damit auch die Speicherkontroller) physisch gesehen auf die verschiedenen Knoten
verteilt, aber logisch als ein großer gemeinsamer Speicher sichtbar ist. Unter der Verwendung spezieller
Hardware zur Gewährleistung der Cache-Kohärenz über den verteilten Speicher, wird diese Systemarchitektur auch als „cache-coherent Non-Uniform Memory Architecture“ (ccNUMA) bezeichnet. Für
den Zugriff der Prozessoren auf den gemeinsamen Hauptspeicher sind spezielle Speicherkontroller (sog.
SHUBs) auf den Systemknoten zuständig. Je nachdem, ob ein Speicherzugriff auf lokale oder entfernte
(sich auf einem anderen Knoten befindende) Daten erfolgt, ergeben sich unterschiedliche Zugriffszeiten und Bandbreiten. Als Betriebssystem wird SuSE Linux Enterprise Server (SLES) 10 mit dem SGI
ProPack 5 verwendet.
Einzelne Systemknoten der Altix 4700 werden entweder für rechenintensive Aufgaben verwendet (Rechenknoten), stellen zusätzlichen Hauptspeicher zur Verfügung (Speicherknoten) oder es handelt sich
um Ein/Ausgabe-Knoten. Alle Knotentypen sind in Form von Blades, einer flachen Bauform von Platinen mit gemeinsamer Strom- und Lüftungsversorgung, realisiert. Diese Blades werden mittels des SGINUMAlink4-Netzwerks zu einem Shared-Memory-System in einer Fat-Tree-Topologie zusammengeschaltet. Durch dieses modulare System von Knoten lassen sich die verschiedenen Knotentypen nach
Belieben variieren, wodurch die Anpassbarkeit an spezielle Anforderungen erleichtert wird.
Ein Rechenknoten (Compute-Blade, vgl. Abbildung 3.1) besteht aus bis zu zwei Intel Itanium 2 (Montecito) Prozessoren1 und einem SHUB. Diese Kommunikationskomponente verbindet den Prozessor mit
1
Aufgrund der Bandbreitenbeschränkung der Speicheranbindung ist in der Altix 4700 am ZIH nur ein Socket bestückt.
22
3. SGI RASC
DDR2 DIMM DDR2 DIMM
DDR2 DIMM DDR2 DIMM
DDR2 DIMM DDR2 DIMM
Nl4
6,4 GByte/s
SHUB 2.0
10,7 GByte/s
Itanium II
(Montecito)
6,4 GByte/s
Nl4
DDR2 DIMM DDR2 DIMM
DDR2 DIMM DDR2 DIMM
DDR2 DIMM DDR2 DIMM
Abbildung 3.1: Altix 4700 Rechenknoten
dem physisch lokalen Hauptspeicher und stellt zwei NUMAlink4-Kanäle (je 6,4 GB/s) zur Anbindung
an das Verbindungsnetzwerk bereit.
Die Intel Itanium II Doppelkernprozessoren sind mit 1,6 GHz getaktet und haben zwei Multiply-AddEinheiten pro Core. Damit ergibt sich pro Prozessor eine Fließkomma-Spitzenleistung von 6,4 GFLOP/s
(6,4 Milliarden Fließkomma-Operationen pro Sekunde). Eine CPU ist je Kern mit den in Tabelle 3.1
angegebenen großen, schnellen Caches ausgestattet, wodurch bei häufigem Cache-Zugriff eine sehr hohe
Anwendungsleistung erzielt werden kann. Für die Anwendungsentwicklung ist zu beachten, dass es sich
um eine IA-64 Prozessorarchitektur handelt, die aus drei Befehlen bestehende Instruktionsbündel mit
einer Größe von 128 Bit verarbeitet und dass z.B. der Datentyp long prinzipiell 64 Bit verwendet. Mit
Leistungseinbußen ist die Abarbeitung von IA-32 Anwendungen dennoch möglich.
Cache
L1D
L1I
L2D
L2D
L3
Größe
16 KB
16 KB
256 KB
1 MB
9 MB
Cache-Line
64 Bytes
64 Bytes
128 Bytes
128 Bytes
128 Bytes
Latenz (min./typ.)
1/1 Takt
1/1 Takt
7/11 Takte
5/10 Takte
14/21 Takte
Tabelle 3.1: Intel Itanium 2 Montecito[Int06] - Cache-Hierarchie
Ein-/Ausgabe-Knoten bestehen aus einer anwendungsspezifischen integrierten Schaltung (ASIC) mit der
Bezeichnung TIO, welche zum einen als Cache-Kohärenzschnittstelle dient und zum anderen gängige E/A-Schnittstellen, wie zum Beispiel PCI-X oder PCI-Express, bereitstellt. Die Kohärenzschnittstelle erlaubt es, Daten cache-kohärent direkt von der E/A-Schnittstelle (z.B. PCI-X-Karte) über das
NUMAlink4-Netzwerk in den verteilten Hauptspeicher auf den Prozessorknoten zu transportieren.
Durch den modularen Aufbau der Altix 4700 können auch Special-Purpose-Blades in das System integriert werden. Dies sind zum einen über PCI-Express angeschlossene Grafikkarten zur Beschleunigung
3.2. SGI RC100 FPGA-BLADE
23
von Anwendungen durch GPUs (Graphics Processing Units) und zum anderen sog. RASC-Blades. Letztere sind mit FPGAs ausgestattet und ermöglichen eine an das Problem angepasste rekonfigurierbare
Hardware zu nutzen, um Anwendungen auszuführen (siehe Abschnitt 3.2).
Die am ZIH installierte Altix 4700 besteht aus 32 Racks und verfügt insgesamt über 2048 Intel Itanium II Montecito Cores und 6,5 TB Hauptspeicher. Das System ist in fünf Partitionen aufgeteilt: eine
Login-Partition, drei Rechen-Partitionen und eine interaktive Partition mit Grafik- und FPGA-Knoten.
Die theoretische Spitzenleistung des Systems beträgt 13,1 TFlop/s und belegte zum Zeitpunkt der Inbetriebnahme (November 2006) mit gemessenen 11,9 TFlop/s Rang 49 unter den 500 schnellsten Rechnern
weltweit.
3.2 SGI RC100 FPGA-Blade
Ein SGI RC100-Blade stellt dem Hostsystem zwei anwenderprogrammierbare FPGAs zur Verfügung
und ist schematisch gesehen wie in Abbildung 3.2 aufgebaut. Es besteht neben den zwei AlgorithmenFPGAs mit je fünf 8 MByte QDR-II SRAM DIMMS2 aus zwei TIO ASICs und einem „Loader-FPGA“.
Der Konfigurations-Bitstream wird in einem Flash-Speicher (EEPROM) gehalten und über den „Loader
FPGA“, der zwischen einem PCI Port des TIO ASICs und den Algorithmen-FPGAs geschalten ist, mittels SelectMap (siehe [Xil08b]) geladen. Die Core Services (siehe Abschnitt 3.3) bilden zusammen mit
dem Algorithmus den Bitstream und sind direkt mit den SSP Ports der TIO ASICs verbunden. Verwendet
werden Xilinx Virtex-4-LX200-FPGAs (siehe Kapitel 2).
Ein einzelner FPGA und dessen Anbindung an das System wird als RASC-FPGA-Hardware-Modul
bezeichet und ist in Abbildung 3.3 dargestellt. Der TIO-ASIC erlaubt den direkte Anschluss an das
NUMAlink4 Netzwerk, unterstützt zwei PCI-X Busse, einen AGP-8X Bus und den Scalable System
Port (SSP), welcher die Schnittstelle zum FPGA bildet.
Der FPGA kann mit einer Bandbreite von 16 GB/s auf seinen lokalen SRAM zugreifen, auf den Host
und dessen Hauptspeicher mit (durch das NUMAlink4-Netzwerk begrenzten) 6,4 GB/s.
3.3 Core Services
Auf Seite der rekonfigurierbaren Hardware bilden die RASC Core Services die Schnittstelle zum Algorithmus. SGI stellt sie sowohl als Verilog-Quellcode, als auch als vorsynthetisierten IP-Core (fertige
Schaltung in Form einer Netzliste) bereit. Verilog-Wrapper-Module werden als Verknüpfung zum ei2
Quad Data Rate static RAM dual in-line memory modules: pro Taktzyklus können bis zu vier Datenwörter übertragen werden
24
3. SGI RASC
3,2GB/s pro DIMM
8MB SRAM DIMM 0
6,4GB/s
6,4GB/s
TIO
ASIC
Nl4
8MB SRAM DIMM 1
AlgorithmusFPGA
8MB SRAM DIMM 2
8MB SRAM DIMM 3
8MB SRAM DIMM 4
PROM
6,4GB/s
KonfigurationsSelect Map
FPGA
3,2GB/s pro DIMM
8MB SRAM DIMM 0
PCI
8MB SRAM DIMM 1
6,4GB/s
Nl4
6,4GB/s
TIO
ASIC
AlgorithmusFPGA
8MB SRAM DIMM 2
8MB SRAM DIMM 3
8MB SRAM DIMM 4
Abbildung 3.2: RC100-Blade (vgl. [SGI08])
36
Nl4
Nl4
72
TIO
ASIC
Core Services
36
SSP
36
72
36
8MB SRAM DIMM 0
8MB SRAM DIMM 1
36
PCI
Algorithmus
36
36
KonfigurationsFPGA
8MB SRAM DIMM 2
36
8MB SRAM DIMM 3
36
36
8MB SRAM DIMM 4
SelectMap
Konfigurations-Port
Abbildung 3.3: RASC FPGA-Modul (vgl. [SGI08])
3.3. CORE SERVICES
25
SSP
SRAM-Bank 0
MMR
PIOBlock
SRAM-Bank 1
Speicherkontroller
SRAM-Bank 2
SRAM-Bank 3
SRM
SRAM-Bank 4
EingangsDMA
RequestGate
SXM
Algorithmus
AusgangsDMA
Abbildung 3.4: RASC Core Services (vgl. [SGI08])
gentlichen Algorithmus verwendet. Die Architektur der Core Services ist in Abbildung 3.4 dargestellt,
wobei der Übersicht halber einzelne Komponenten des Kontrollpfades nicht enthalten sind, jedoch im
Folgenden in ihrer Funktion noch erläutert werden. Die Erläuterung der Funktionalität einzelner Blöcke
basiert inhaltlich auf [SGI08].
Das Empfangsmodul (SRM) und das Sendemodul (SXM) beinhalten entsprechende Logik um auf dem
FPGA als Schittstelle zum Scalable System Port (SSP) zu fungieren. Es stehen drei beliebig kombinierbare Möglichkeiten zur Verfügung um Daten zwischen Host und Algorithmus auszutauschen:
• Einzelne Lese- oder Schreibanfragen von 64-Bit-Werten werden durch die Programmed Input/Output (PIO) request engine behandelt.
• Datenströme werden über die DMA-Blöcke verarbeitet und können direkt in den Algorithmus
geleitet werden. Sowohl der DMA-Eingangsblock, als auch der DMA-Ausgangsblock bestehen
aus jeweils bis zu vier unabhängigen DMA-Stream-Einheiten.
• Daten können über die DMA-Blöcke zwischen Host und lokalem SRAM transportiert werden.
Der Speicher-Controller bedient dann das Interface zum on-board-SRAM und verknüpft es mit
dem Algorithmus und den DMA-Blöcken.
Der Memory Mapped Register (MMR) Block stellt die Register bereit, welche dem Algorithmus-Designer
zur Verfügung stehen sollen. Zu diesen Registern gehören die Debug-Register und die Algorithm Defined Registers. Beide Registertypen sind 64 Bit breit und können in einer maximalen Anzahl von je 64
Registern verwendet werden. Das Request Gate erstellt das SSP-Paket für Lese- und Schreibanfragen
des FPGA zum Hauptspeicher. Der Algorithm Block beinhaltet den vom Benutzer geschriebenen anwendungsspezifischen Code, der den eigentlichen Algorithmus implementiert.
26
3. SGI RASC
Nicht in der Abbildung dargestellt sind der TNUM tracker, welcher Transaktionsnummern innerhalb des
FPGA handhabt und der Interrupt Generator, welcher Paketdaten erzeugt, um den Host im Falle eines
direkten Speicherzugriffes (DMA) zu unterbrechen (z.B. durch das alg_done-Flag des AlgorithmenBlocks).
Die von den Core Services benötigte FPGA-Fläche lässt sich minimieren, indem nicht alle Komponenten
genutzt werden. Es ist z.B. möglich den Memory-Controller wegzulassen, wenn der Algorithmus den
SRAM nicht benötigt.
Üblicherweise werden FPGAs über eine UART oder eine PCI-Steckkarte angesteuert. Bei einer UART
kann eine Datenrate von bis zu 115200 Bits pro Sekunde (14,4 kByte/s) erreicht werden. Im Vergleich
dazu können mit PCI-Express-FPGA-Boards deutlich höhere Datenraten erreicht werden (PCIe 2.0 x32:
16 GByte/s).
Für das SGI RC100-Blade stehen drei Möglichkeiten zur Verfügung, Daten zwischen Host und FPGA
zu übermitteln. Hierzu zählen eine Streaming Schnittstelle, eine Schnittstelle zum SRAM der RC100Blades und spezielle 64-Bit-Register (Memory Mapped Registers). Die Bandbreite des Datentransfers
zwischen den RC100-FPGAs und einer Host CPU ist durch das NUMAlink4-Netzwerk auf insgesamt
6,4 GB/s begrenzt.
3.3.1 SRAM-Schnittstelle
Die Speicheranbindung über den SRAM der RC100-Blades bietet die Möglichkeit Daten vom Host in
den SRAM des jeweiligen FPGA zu schreiben und Daten aus dem SRAM des FPGA zu lesen. Ab der
Version 2.20 bieten die SGI Core Services drei verschiedene Konfigurationsvarianten der fünf pro FPGA
vorhandenen 8MB-SRAM-Bänke an:
(1) zwei 128-Bit-Ports (je zwei 64-Bit-Ports zu einem 128-Bit-Port zusammengefasst), ein 64-Bit-Port
(2) fünf voneinander unabhängige 64-Bit-Speicherports
(3) keine Ports zum SRAM
Ist es nicht möglich, die für die Ausführung des Algorithmus benötigten Daten im Block-RAM des
FPGA zu halten, können diese in den SRAM ausgelagert werden und müssen nicht zwischen Host
und FPGA transportiert werden. Während für die Host-FPGA Kommunikation eine Bandbreite von
6,4 GB/s zur Verfügung steht, ist der SRAM selber mit 16 GB/s an den FPGA angebunden. Die SRAMKommunikation kann ebenso für Streaming verwendet werden, wie das in Abschnitt 3.3.2 beschriebene
direkte Streaming. Betrachtet man Abbildung 3.3 genauer, stellt man fest, dass die Speicheransteuerung
mit vollen 200 MHz laufen muss, um die von SGI angegebenen maximalen Datenraten zu erreichen.
3.3. CORE SERVICES
27
Hierzu wird davon ausgegangen, dass von einer 36 Bit breiten Leitung zu bzw. von einer SRAM-Bank
nur 32 Bit verwendet werden (4 Bit für Datenintegrität). Bei einem QDR-II-SRAM können gleichzeitig
zwei Wörter gelesen und geschrieben werden, wodurch man auf eine Datenrate von 1,6 GB/s je SRAMBank und Richtung kommt.
Durchsatz = FPGA-Taktfrequenz · Wörter · Wortbreite = 200 MHz · 2 · 32 Bit = 1,6 GB/s
Da sowohl der Algorithmus als auch die Core Services Zugriff auf den SRAM haben und parallel ausgeführt werden, muss zur Vermeidung einer Zugriffskollision eine Arbitrierung vorgenommen werden.
Falls solche Zugriffskonflikte auftreten können, müssen sie auch in der Implementierung des Algorithmus behandelt werden. Werden die SRAM-Zugriffe so eingeplant, dass keine Zugriffkonflikte stattfinden können, muss keine Arbitrierungsbehandlung implementiert werden. Spezielle Direktiven und sog.
Extractor-Anweisungen können dazu genutzt werden den Zugriff auf die SRAM Ports sowohl für die
Core Services, als auch für den Algorithmus einzuschränken und damit Zugriffkonflikte zu vermeiden.
Werden SRAM-Ports so konfiguriert, dass nur der Algorithmus darauf zugreifen kann, minimiert das
zusätzlich den Logik-Overhead der Core Services, da entsprechende Logik beim SRAM-Kontroller und
den DMA Blöcken und auch deren Verdrahtung entfallen.
Die SRAM-Schnittstelle verfügt über zwei Verfahren zur Datenflusskontrolle (Handshaking-Verfahren):
„Busy Signal“ und „Crediting Scheme“. Es ist dem Programmierer überlassen, welches er in seinem
Entwurf verwendet. Eine Erklärung zu den Signalen, die je nach Verfahren benutzt werden, ist in [SGI08]
beschrieben.
Um Datenmengen zu verarbeiten, die nicht in den SRAM des FPGA-Blades passen, bietet SGI eine
Multibuffering-Lösung an. Hierzu werden Eingangs- und Ausgangsdaten in jeweils mindestens zwei
Segmente pro SRAM-Bank unterteilt. Während der Host Daten in ein Segment des SRAM lädt, kann
der FPGA-Algorithmus auf ein anderes Segment zugreifen. Die Umschaltung zwischen den Segmenten erfolgt über ein pro genutzter SRAM-Bank von den Core-Services zur Verfügung gestelltes OffsetRegister, welches die oberen Bits der Speicheradresse bestimmt (sofern es vom Algorithmus-Designer
genutzt wird).
3.3.2 Streaming Engines
Beim Direct Streaming werden Datenpakete in einem Datenstrom direkt an den Algorithmus-Block geschickt, ohne den Umweg über den SRAM der FPGAs zu nehmen. Dies soll zum einen die Latenzzeit des
Datentransfers minimieren und verringert zum anderen den Logik-Overhead durch die Core Services, da
28
3. SGI RASC
der Speicherkontroller nicht benötigt wird. Es stehen je vier DMA-Streaming-Engines für lesenden und
schreibenden Zugriff zur Verfügung. Die Verwendung von mehreren Streaming-Engines hat allerdings
keinen Einfluss auf die Bandbreite.
Um Daten aus einem Stream zu lesen, wird gewartet bis dieser bereit ist und anschließend eine Leseanfrage (read enable) gestellt. Der Schreibvorgang erfolgt über eine Schreibaufforderung, wenn der
Stream bereit ist. Die genaue Definition und Verwendung der Signale der Streaming DMA Engine ist
in [SGI08] beschrieben. Um zu erkennen, dass ein Input-Stream endet gibt es für den Algorithmus zwei
Möglichkeiten: Parameter mit der Anzahl der zu lesenden Werte über ein Algorithm Defined Register
übergeben oder das Stream-In-Complete-Signal verwenden, welches nach dem Senden des Streams über
einen entsprechenden Funktionsaufruf des RASC-API gesendet werden kann.
Diese Kommunikationsvariante ermöglicht es den FPGA als Streaming-Koprozessor zu verwenden, ohne
einen großen Overhead durch die Core Services zu benötigen.
3.3.3 Memory Mapped Registers
Für eine Kommunikation mit kleineren Datenpaketen stehen spezielle 64-Bit-Register zur Verfügung.
Vorgesehen für die Fehlersuche stehen maximal 64 Debug-Register zur Verfügung. Diese können durch
den Algorithmus beschrieben und vom Host gelesen werden. Die maximal 64 Algorithm Defined Registers (ADRs) sind flexibler einsetzbar und können sowohl vom Algorithmus, als auch vom Host gelesen
und beschrieben werden.
Von SGI sind die ADRs primär zur Übergabe von Parametern vorgesehen, sie können aber auch für eine
echte Ping-Pong-Kommunikation verwendet werden. Der Algorithmus erhählt für jeden vom Host vorgenommenen Schreib- oder Lesevorgang eines ADRs eine Signalisierung (updated oder polled), womit
ihm der Zustand der Register bekannt ist. Auf der Seite der Host-Applikation fehlt eine entsprechende Synchronisation, welche eine Veränderung eines ADRs signalisiert und muss durch „Polling“ unter
Verwendung eines Debug-Registers oder ADRs vom Nutzer selber ergänzt werden.
3.4 Software
Bisher wurde hauptsächlich auf die RASC-Hardware eingegangen. Um diese aus einer Hochsprache
ansteuern zu können, ist jedoch noch Funktionalität auf weiteren Ebenen notwendig. Abbildung 3.5
zeigt eine Übersicht über die Abstraktionsebenen von RASC. Mit dem Device Manager wird die Organisation der Algorithmen vorgenommen, welche bei Bedarf in die vorhandenen FPGAs geladen wer-
3.4. SOFTWARE
29
Anwendungen
Anwendung 1
Anwendung 2
Device
Manager
devmgr
Bibliotheken
Algorithmus-Schicht
GeräteBibliotheken
COP-Schicht
KernelGerätetreiber
AlgorithmusFPGA
Betriebssystem
Hardware
DownloadTreiber
KonfigurationsFPGA
Abbildung 3.5: SGI RASC – Abstraktionsebenen (vgl. [SGI08])
den. Für den Anwendungsentwickler stehen neben Bibliotheksfunktionen zur Kommunikation mit den
FPGAs auch hilfreiche Werkzeuge, wie ein erweiterter GNU Projekt Debugger und ein AlgorithmusKonfigurationstool zur Verfügung. Zudem werden einfache Beispielanwendungen von SGI angeboten,
um den Einstieg zu erleichtern.
3.4.1 Abstraction Layer (API)
Der RASC Abstraction Layer (RASCAL) ist eine Programmierschnittstelle (API) für die „kernel device
driver“ und die RASC-Hardware und bietet damit eine Schnittstelle zur Ansteuerung der RC100-FPGAs
aus einem C- oder Fortran-Programm heraus.
RASCAL besteht aus zwei Ebenen, wobei nur eine von beiden innerhalb eines Programmes verwendet
werden darf: die Co-Prozessor(COP)-Ebene und die Algorithmen-Ebene. Die zugrundeliegende COPEbene stellt Funktionen zur individuellen Ansteuerung der FPGAs als COPs bereit. Darauf aufsetzend
ermöglicht die Algorithmen-Ebene mehrere COPs als eine logische Implementierung eines Algorithmus
anzusprechen und übernimmt damit die Aufteilung von Daten auf die verschiedenen FPGAs und auch
die Steuerung des Multibuffering (siehe Abschnitt 3.3.1) auf Seite des Hosts.
Tabelle 3.2 gibt einen Überblick über einige rasclib3 -Funktionen, wobei die aufgeführten Funktionen der
COP-Ebene entsprechende Äquivalente in der Algorithmen-Ebene besitzen. Die in der Tabelle stehenden
Funktionsaufrufe sind in der Reihenfolge aufgelistet, wie sie üblicherweise benutzt werden. Optional zu
verwenden sind die Sende- und Empfangs- bzw. die Lese- und Schreibfunktionen, wobei die Ausfüh3
Bibliothek des RASC Abstraction Layer, welche Funktionen zur Ansteuerung der FPGA-Koprozessoren bereitstellt
30
3. SGI RASC
rung eines Algorithmus ohne Übertragung von Daten natürlich sinnfrei wäre. Sende- und EmpfangsFunktionsaufrufe werden pinzipiell in eine Warteliste eingereiht und erst durch die Commit-Funktion an
die Kernel-Device-Treiber geschickt, während die Lese- und Schreibfunktionen, je nach übergebenem
Flag, auch ohne Commit sofort ausgeführt werden können. Sende- und Empfangsfunktionen werden für
das Übertragen größerer Datenmengen genutzt (siehe Abschnitt 3.3.2 und 3.3.1) und können mit Direct
I/O oder Buffered I/O arbeiten. Für die Verwendung der Lese- und Schreibfunktionen zum Zugriff auf
die FPGA-Register siehe 3.3.3.
Funktion
rasclib_resource_reserve
rasclib_resource_configure
rasclib_cop_open
rasclib_cop_reg_write
rasclib_cop_send
rasclib_cop_go
rasclib_cop_receive
rasclib_cop_reg_read
rasclib_cop_commit
rasclib_cop_wait
rasclib_cop_close
rasclib_resource_return
rasclib_resource_release
Beschreibung
reserviert eine bestimmte Anzahl von FPGAs
programmiert die reservierten FPGAs mit dem angegebenen Bitstream
signalisiert der rasclib, dass ein FPGA mit angegebenem
Algorithmus genutzt werden soll und gibt den Deskriptor
des verwendeten FPGAs zurück
schickt einen Wert an ein angegebenes FPGA-Register
sendet Daten an den FPGA (Warteliste)
startet den FPGA-Algorithmus
empfängt Daten vom FPGA-Ausgangs-Puffer (Warteliste)
liest einen Wert aus einem angegebenen FPGA-Register
sendet alle in der Warteliste eingereihten Befehle
blockiert die Programmausführung bis alle gesendeten Befehle ausgeführt wurden
gibt alle Host-Ressourcen im Zusammenhang mit dem angebenen Algorithmus frei
gibt die Konfiguration eines FPGA frei (bleibt reserviert)
gibt reservierte FPGAs frei
Tabelle 3.2: Ausgewählte Funktionen der rasclib-Bibliothek
Mit Direct I/O können Daten direkt aus den vom Nutzer angelegten Puffern zum FPGA-Koprozessor
geschickt werden, ohne dazwischen in einen Speicherbereich des Kernels kopiert werden zu müssen. Der
Speicherbereich muss hierbei an 128-Byte-Grenzen ausgerichtet und möglichst kontinuierlich auf den
physikalischen Speicher abgebildet sein. Unter Nutzung der hugetlbfs-Funktion des Linux-Kernels kann
die rasclib passende Speicherbereiche bereitstellen. Bei Buffered-IO hingegen wird der Speicherinhalt
vorher in einen Speicherbereich des Kernels kopiert. Dies ist zwar an keine Voraussetzungen geknüpft,
bietet aber weniger effektive Bandbreite ([SGI08] Kapitel 5).
3.4.2 Algorithmen-Verwaltung
Um einen Algorithmus auf den RC100-FPGAs ausführen zu können, muss dieser zuvor als binäre Datei
(engl. Binary) unter einem eindeutigen Namen (ID) im System registriert werden. Die Erstellung des Al-
3.4. SOFTWARE
31
gorithmus wird in Kapitel 4 genauer erläutert. Nachdem das Binary in der Registry eingetragen wurde,
kann es über den RASC Abstraction Layer (siehe 3.4.1) mit seinem zugehörigen Identifikator angesprochen werden. Zu jedem auf den RC100-Blades ausführbaren Algorithmus gehören ein Binary und zwei
Konfigurationsdateien für die Core Services und die davon verwendeten Schnittstellen.
Der Device Manager übernimmt die Verwaltung der Algorithmen, die den FPGAs zur Verfügung stehen.
Er ermöglicht das Anzeigen der im System vorhandenen FPGAs, das Auflisten der zur Verfügung stehenden Algorithmen und das Hinzufügen, Ändern und Entfernen von Algorithmen. Als „Frontend“ wird
das Kommandozeilenprogramm devmgr verwendet.
3.4.3 GNU Project Debugger (GDB)
Eine Möglichkeit der Fehlersuche zur Laufzeit einer RASC-Anwendung bietet SGI mit der Erweiterung
des GDB an. Folgende RASC-spezifische Kommandos stehen zusätzlich zur Verfügung:
• fpgaactive [on/off]
• set fpga fpganum = N
• info fpgaregisters [regname] (alias: ’info fr’)
• info fpga
• fpgastep
• fpgacont
• fpgatrace [on/off]
Mit diesen Kommandos ist es möglich, in jedem Takt den Inhalt der Debug- und Algorithm-DefinedRegister auszulesen und sich generelle Informationen, zum auf dem FPGA laufenden Algorithmus, anzeigen zu lassen. Eine genauere Beschreibung der Kommandos kann in [SGI08] nachgelesen werden.
Eine der wesentlichen Beschränkungen die das Debugging über den GDB mit sich bringt, betrifft das
Auslesen der FPGA-Register. Nur vom Hardware-Programmierer nach außen propagierte Register können ausgelesen werden. Damit muss schon während des Hardware-Entwurfs darauf geachtet werden, entsprechende Register mit Debugging-Informationen zu belegen, um später, falls die FPGA-Anwendung
nicht die gewünschte Funktionalität aufweist, eine Fehlersuche mit dem GDB zu ermöglichen. Zudem
wird derzeit das direkte Streaming über die Streaming Engines mit dem GDB FPGA nicht unterstützt.
Für den Debugging-Modus sollte am sog. step_flag_out-Register, welches der Hardware-Designer setzen
kann, eine ’1’ anliegen. Dieses signalisiert den Core Services (siehe Abschnitt 3.3), dass ein Taktzyklus
beendet wurde. Liegt andernfalls eine ’0’ an, kann kein taktgenaues Debugging vorgenommen werden.
32
3. SGI RASC
3.4.4 Algorithmus-Konfigurations-Tool
Mit der RASC Version 2.20 wird die Konfiguration des Algorithmus benutzerfreundlicher. Um die Core
Services und den Algorithmus auf die benutzten Ressourcen abzustimmen, werden Konfigurationsdateien und Wrapper-Module benötigt. Bei vorherigen RASC-Versionen mussten diese Dateien entsprechend
vorhandener generischer Vorlagen vom Hardware-Entwerfer manuell erzeugt werden.
Das SGI RASC Algorithm Configuration Wizard ist ein Tool Command Language (TCL) Skript und
ermöglicht es anhand einer grafischen Oberfläche (GUI) die Ressourcen auszuwählen, die dem Algorithmus zur Verfügung stehen sollen. Folgende Einstellungen können vorgenommen werden:
• Bezeichnung des Algorithmus
• Taktfrequenz des Algorithmus (50MHz, 66MHz, 100MHz, 200MHz)
• zu verwendende DMA Streams (siehe 3.3.2)
• SRAM-Konfiguration(siehe 3.3.1)
• Anzahl und Konfiguration der Algorithm Defined Register (siehe 3.3.3)
• Anzahl der Debug-Register
• Auswahl des Synthese-Tools
• Multiplikator und Teiler der Supplemental Algorithm Clock4
Entsprechend der Auswahl erstellt das Tool Konfigurationsdateien, Verilog-Wrapper-Module um das
Design des Algorithmus in die Core Services zu integrieren und ein Makefile um den Bitstream automatisiert erzeugen zu können. Der Name des Algorithmus wird zur Benennung der Verzeichnisse und
Design-Dateien verwendet.
4
aus der Taktfrequenz des Algorithmus abgeleitete Taktfrequenz
33
4 Programmiermöglichkeiten der SGI RASC Plattform
In diesem Kapitel werden zwei Möglichkeiten zur Programmierung der SGI RASC Plattform vorgestellt. Dies ist zum einen die Mitrion Entwicklungsumgebung (Mitrion SDK) mit Mitrion-C als parallele
Hochsprache und zum anderen die Hardwarebeschreibungssprache VHDL als eine herkömmliche Methode des Hardware-Entwurfs. Die Alternative zu VHDL ist Verilog, in der auch Teile der RASC Core
Services implementiert sind. Die Entscheidung für die Verwendung von VHDL und entsprechende Gründe sind in Abschnitt 4.2 genauer erläutert. Desweiteren lag das größte Fallbeispiel, das Damenproblem
(siehe Abschnitt 5.5), bereits in VHDL-Code vor und ich beherrsche die Programmierung mit VHDL
besser als mit Verilog.
Die Software-Entwicklung soll in beiden Fällen (Mitrion-C, VHDL) als Vergleich dienen, wobei auf
wesentliche Unterschiede zwischen beiden Programmiermöglichkeiten direkt eingegangen wird. Zu Beginn des Kapitels werden noch begrenzende Faktoren für die Parallelität eines Systems aufgezeigt, zumal
performante Problemlösungen mit SGI RASC auf einen hohen Grad an Parallelverarbeitung angewiesen
sind.
Anforderungen der Parallelverarbeitung
(1) Verarbeitungseinheiten
Ein begrenzender Faktor für die Parallelität eines Systems ist die Anzahl der verfügbaren Verarbeitungseinheiten. Jede dieser Verarbeitungseinheiten benötigt, entsprechend ihrer Aufgabe eine
gewisse Fläche auf dem Chip. Einfache Operationen benötigen weniger Fläche und können damit
in größerer Anzahl auf den Chip gebracht werden, wodurch sich die mögliche Parallelverarbeitung
erhöht.
(2) Datenabhängigkeiten
Ein weiterer Faktor, der die Parallelität eines Systems begrenzt, ist die Anzahl der unabhängig
voneinander verarbeitbaren Daten. Zwei Daten sind genau dann unabhängig voneinander, wenn
weder das eine, noch das andere Datum auf die Berechnung des zweiten Datums einen Einfluss hat.
Ist eine Abhängigkeit zwischen zwei Daten vorhanden, so können sie nur sequentiell abgearbeitet
34
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
werden. Viele Datenabhängigkeiten führen zu einer Verminderung der Parallelverarbeitung und
damit zu einer Verlängerung der Laufzeit.
(3) Simultan zugreifbarer Speicher
Die Anzahl der Speicherplätze, auf welche gleichzeitig zugegriffen werden kann, ist ebenso ein
begrenzender Faktor hinsichtlich der Parallelität eines Systems. Um also mehrere Werte gleichzeitig berechnen zu können, muss auch eine ebenso große Anzahl zur gleichen Zeit beschreibbarer
Speicherplätze vorhanden sein. Damit muss jede Verarbeitungseinheit, wenn alle gleichzeitig arbeiten sollen, die Möglichkeit haben ihre erzeugten Werte zu puffern.
Diese trivialen Regeln (vgl. [Mit08b], Kapitel 12) sollten beachtet werden, wenn die mögliche Parallelität eines Algorithmus eingeschätzt und eine entsprechenden Implementierung davon erstellt werden
soll. Insbesondere sind die Datenabhängigkeiten bei der Entwicklung und Bewertung paralleler Algorithmen von Bedeutung. Während sie durch den Mitrion-C-Compiler automatisch erkannt werden, muss
sich der Programmierer einer Hardwarebeschreibungssprache explizit um deren Erfüllung kümmern.
Mitrion-C erleichtert durch implizit parallele Programmierung und die Ausführung der Software auf
dem MVP (siehe 4.1.2) die angegebenen Anforderungen zu erfüllen ((1) und (3) werden größtenteils
automatisch von Mitrion gehandhabt), im Algorithmus vorhandene Datenabhängigkeiten (2) führen aber
dennoch zu sequentieller Abarbeitung. Es ist also für beide, die Programmierung von Mitrion-C und
VHDL, ein effizienter paralleler Algorithmus notwendig, um die Vielzahl an Verarbeitungseinheiten auf
FPGAs ausnutzen zu können. Trotz dieser hardwarenahen Anforderungen ist im Vergleich zu Hardwarebeschreibungssprachen bei der Programmierung von Mitrion-C kaum Wissen über die zugrundeliegende
Hardware notwendig.
Auch das Verbindungsnetzwerk hat in großen Rechensystemen starken Einfluss auf die Performance
von Algorithmen. Wenn zu dessen Ausführung Daten über das Netzwerk übertragen werden müssen,
können die Bandbreite und die Latenz begrenzende Faktoren sein, sofern der Algorithmus entsprechende
Anforderungen an diese besitzt.
4.1 Mitrion SDK von Mitrionics
Das Mitrion Software Development Kit (SDK) von Mitrionics ist eine Entwicklungsumgebung, welche
um die parallele Programmiersprache Mitrion-C aufgebaut ist und dient der Umsetzung hochparalleler
Algorithmen auf programmierbaren Hardware-Plattformen mit FPGAs. Derzeit werden sechs hybride
Rechnersysteme1 von der Mitrion-Software-Plattform unterstützt. Neben Mitrion-C Bibliotheken bein1
Hardware-Plattformen mit Standardprozessoren und Hardware-Beschleunigern
4.1. MITRION SDK VON MITRIONICS
35
haltet das SDK noch die „Mitrion Virtual Processor“ (MVP) Architektur, einen Mitrion-C-Compiler und
einen Simulator. Die Anwendungsbereiche befinden sich in der Bioinformatik, der Gen-Sequenzierung,
der Textsuche und der Bildverarbeitung. Unabhängig davon können auch beliebige parallele Algorithmen implementiert werden. Das Mitrion Benutzerhandbuch [Mit08b] stellt die Mitrion Plattform vor. Es
beschreibt neben der Mitrion SDK und auch den Funktionsumfang von Mitrion-C und bietet damit eine
Einführung in die Programmierung dieser Sprache.
Ein in Mitrion-C geschriebenes Programm kann auf entsprechend unterstützten Plattformen in Hardware
umgesetzt werden, genauere Details der zugrundeliegenden Hardware werden dem Programmierer jedoch verborgen. Der Syntax ist dem von ANSI-C sehr ähnlich und soll die Einarbeitungszeit für den
Entwickler verkürzen und die Portierung von C-Code zu Mitrion-C-Code erleichtern.
Das Prinzip der Hardwarebeschreibung basiert auf dem MVP, welcher in Mitrion-C programmierte Software auf dem FPGA ausführt und damit Software von Hardware isoliert. Die Anpassung eines Programmes an den MVP wird durch die Processor Configuration Unit der Mitrion SDK vorgenommen. Dieser
Vorgang besteht aus der Entscheidung über die benötigten verarbeitenden Elemente (PEs) und der Verschaltung dieser. Das Prozessor-Design wird vom Mitrion SDK als VHDL-Code ausgegeben und kann
anschließend synthetisiert, auf die Zieltechnologie abgebildet, plaziert und verdrahtet werden. Mitrion-C
und der MVP erben die Beschränkungen, die die Programmierung von FPGAs mit sich bringt:
• Durch die Umsetzung der Befehle in Logik und damit FPGA-Ressourcen, ist die maximale Länge
von Programmen beschränkt.
• Die Speicherverwaltung ist vergleichsweise rudimentär. Der Nutzer muss dafür sorgen, dass Daten
in verschiedenen Adressräumen zur Verfügung stehen. (FPGAs haben im Vergleich zu Mikroprozessoren mehrere Adressräume, deren Größe und Typ schon während der Programmübersetzung
bekannt sind.) Außerdem besitzen FPGAs keine Caches, welche auf Grund der großen Anzahl
frei definierbarer Register und der vorhandenen Block-RAM-Ressourcen (ein Takt Zugriffslatenz)
auch nicht nötig sind.
• Es gibt kein Statusregister oder ähnliches und damit keine exakten Fehler wie „Division durch
Null“ oder „Index außerhalb des Zahlenbereiches“.
• Die Fehlersuche auf FPGAs ist komplexer und es ist nicht möglich jede Variable zu jedem Zeitpunkt auszulesen. Zudem gibt es wenige Debugger zur Fehlersuche in FPGA-Programmen.
Die Anwendungsentwicklung mit der Mitrion Plattform ist einem typischen Software Entwicklungszyklus ähnlich. Bei der Portierung auf ein anderes rekonfigurierbares Computersystem braucht der Nutzer
nur Detailles bezüglich der Organisation der Maschine anzupassen. Der Mitrion-C-Quellcode bleibt unabhängig von der Größe, der Geschwindigkeit und dem verfügbaren Speicher des FPGAs unverändert
36
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
Quellcode anpassen
Mitrion-C kompilieren
MVP
simulieren
(Mitrion
Simulator)
Quellcode
Maschinencode
Ausgabe
Prozessorkonfiguration
Quellcode
anpassen
VHDL
MVP Architektur
Synthese
Place & Route
Ausgabe
ausführen
(C, Mithal-API)
Bitstream
RASC Core Services
Abbildung 4.1: Entwicklungszyklus – Mitrion SDK auf SGI RASC (vgl. [Mit08b])
und ist nach erneuter Umsetzung in Hardware wieder im vorhandenen Umfang nutzbar. Wird auf ein kleineres System (FPGAs mit weniger Logik) portiert, kann der Algorithmus u.U. nicht mehr implementiert
werden oder es muss die Parametrisierung bei einem generischen Entwurf verändert werden. Abbildung
4.1 zeigt den Entwicklungszyklus für Mitrion-C-Programme auf der SGI RASC Hardware. Im oberen
Bereich ist die Softwareentwicklung, im unteren Bereich die Umsetzung in Hardware dargestellt.
4.1.1 Programmiersprache Mitrion-C
Um den MVP effektiv programmieren zu können, stellt Mitrionics mit Mitrion-C eine implizit parallele Programmiersprache bereit. Diese soll den Programmierer dabei unterstützen, die Anforderungen
einer parallelen Ausführung eines Programmes zu erfüllen und zudem leicht und schnell erlernbar sein.
Der Syntax lehnt sich an bekannte Sprachen, wie C, C++, Java, C#, etc. an. Zusätzlich soll MitrionC verhindern Verklemmungen (Deadlocks) oder Wettlaufsituationen (Race Conditions) zu beschreiben.
Verwendet man sog. Instance Tokens und Streams, ist dies aber dennoch möglich.
In Mitrion-C kann der Programmierer eine beliebige Anzahl von untereinander abhängigen Prozessen beschreiben, wobei die Synchronisation zwischen diesen dem Programmierer verborgen wird. Das
Scheduling-System des MVP sorgt dafür, dass Daten zur richtigen Zeit am richtigen Ort sind. Prozesse
werden implizit durch einzelne Anweisungen oder Anweisungsblöcke erzeugt und innerhalb von Funktionen explizit vom Programmierer gebündelt. Die Zusammenfassung von Anweisungen in Funktionen
ist nicht performance-relevant und dient lediglich der Strukturierung. In Hardwarebeschreibungsspra-
4.1. MITRION SDK VON MITRIONICS
0
37
Mitrion-C 1.5;
// options: -cpp
#define ExtRAM mem uint:128[2048]
(ExtRAM, ExtRAM) main(ExtRAM sram0, ExtRAM sram1){
5
10
// durch Bandbreite begrenzte Schleife
results = foreach(i in <0 .. 4>) {
int:16 partsum = i;
// durch Latenz begrenzte Schleife
sum = for(j in <1 .. 10>){
partsum = partsum + j;
} partsum;
watch sum;
} sum;
15
sram1_final = foreach(res in results by i) {
sram1w= memwrite(sram1,i,res);
} sram1w;
20
}(sram0,sram1_final);
Auflistung 4.1: Mitrion-C Beispielprogramm
chen (vgl. 4.2.1) hingegen muss die Synchronisation von Prozessen und das korrekte, taktgenaue Bereitstellen von Daten der Programmierer vornehmen. Prozesse und nebenläufige Anweisung werden in
VHDL explizit vom Programmierer beschrieben.
Obwohl der Syntax von Mitrion-C sich an bekannte Hochsprachen der C-Familie anlehnt, gibt es einige
wesentliche Konzepte, welche von der ANSI-C-Programmierung sehr abweichen. Während in Mitrion-C
Parallelisierung und Datenabhängigkeiten im Mittelpunkt stehen, ist dies bei traditionellen sequentiellen
Programmiersprachen die Reihenfolge der Befehlsausführung. In Mitrion-C gibt es keine Ausführungsreihenfolge im herkömmlichen Sinne. Es wird jede Operation, sobald ihre Datenabhängigkeiten erfüllt
sind, sofort ausgeführt. Parallelität ist in Mitrion-C-Programmen implizit.
Ein weiterer Untschied zwischen Mitrion-C und anderen Hochsprachen der C-Familie ist, dass die meisten Anweisungen (außer Deklarationen und „Watch-Statements“) in Mitrion-C Zuweisungen sind. Damit
sind if-, for- und while-Anweisungen in Mitrion-C Ausdrücke, die einen Ergebniswert zurückgeben.
Die Ternary(?:)-Operation (bedingte Zuweisung) aus C ist ein Beispiel für eine if-Anweisung in
Form einer Zuweisung. In Mitrion-C muss eine Anweisung innerhalb eines Blockes über dessen Rückgabewert propagiert werden, um außerhalb des Blockes Einfluss nehmen zu können. Ein kurzes MitrionC-Programm verdeutlicht der Quellcode 4.1.
Mitrion-C gehört zu den Single-Assignment Languages. Das bedeutet, dass in einem Block einer Variable
nur ein einziges Mal ein Wert zugewiesen werden darf. Diese wichtige Einschränkung ermöglicht die
38
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
parallele Ausführung der Anweisungen eines Blockes (sofern keine Datenabhängigkeiten bestehen).
Für die Fehlersuche auf Kommandozeile stellt Mitrion-C die watch-Anweisung zur Verfügung. Wie im
Code-Ausschnitt für part_sum verwendet, kann damit der Wert einer Variablen während der Programmausführung beobachtet werden.
Alle Mitrion-C-Quellcode-Dateien müssen mit Angabe der Sprachversion (language version specifier)
beginnen. Diese bestimmt die Regeln des Parsers, die Semantik einiger integrierter Funktionen, Datentypen und die Verfügbarkeit von syntaktischen Konstrukten. Der Mitrion-C-Compiler unterstützt alle
vorherigen Versionen, solange die Sprachversion im Quelltext angegeben wird.
Ein Mitrion-C-Programm wird durch die Abarbeitung der main()-Funktion ausgeführt. Ihr werden sog.
Instance Token für die verwendeten Speicherbänke übergeben. Als Rückgabewert liefert sie die finalen
Instance Token, nachdem alle Zugriffe durchgeführt wurden.
Um Makros zu benutzen ruft der Mitrion-C-Compiler den C-Preprozessor auf. Include-Direktiven dürfen
nur außerhalb von Funktionen stehen. Die Verwendung von include für externe nicht Mitrion-C-Dateien
ist für die gemeinsame Verwendung von Makros in Mitrion-C- und Host-Programm sinnvoll.
Mitrion-C arbeitet mit einem eigenem API, welches auf RASCAL (siehe 3.4.1) aufbaut, um einige Funktionen erleichtert und an anderer Stelle erweitert wurde. Abbildung 4.2 zeigt überblicksweise wie sich
Mitrion in SGI RASC integriert.
Mitrion-C ist keine Hardwarebeschreibungssprache, sondern eine implizit parallele Programmierspra-
Host
Anwendung
MVP
Bitstream
Mithal/RASCAL
API
Gerätetreiber
SRAM
AlgorithmusFPGA
SRAM
SRAM
SRAM
SRAM
SRAM bank A
SRAM bank B
SRAM bank C
RC100 FPGA Modul
Abbildung 4.2: Integration von Mitrion in SGI RASC (vgl. [Mit08a])
4.1. MITRION SDK VON MITRIONICS
39
che, die dem Entwickler die Möglichkeit geben soll, die Parallelität der Verarbeitungsblöcke des FPGA
zu nutzen und ihn als Koprozessor in Verbindung mit einem Mikroprozessor zu betreiben. Eine Schaltung ansich zu entwerfen, ist mit Mitrion-C nicht möglich. Allerdings bietet Mitrion die Möglichkeit,
VHDL-IP-Block-Plugins über externe Funktionsaufrufe innerhalb eines Mitrion-C-Programms zu nutzen. Damit lassen sich Teile des Algorithmus, die von Mitrion suboptimal umgesetzt werden, per Hand
in VHDL optimieren. Allerdings muss dann auch beachtet werden, dass der MVP mit 100MHz läuft und
unter dieser Anforderung der VHDL-Entwurf vorgenommen werden.
4.1.2 Mitrion Virtual Processor
Der Mitrion Virtual Processor (MVP) ist ein feingranularer, massiv paralleler, rekonfigurierbarer Prozessor, welcher auf FPGAs implementiert wird. Er liegt als Architektur vor und wird durch einen in MitrionC beschriebenen Algorithmus konfiguriert und schließlich als Soft-IP-Core ausgegeben. Im MVP wird
jede Operation oder Menge von Operationen einer Verarbeitungseinheit, einem sog. „Processing Element“ (PE), zugeordnet. Da ein PE nur einen sehr kleinen Teil des Programmes ausführt, normalerweise
nur eine oder wenige Operationen, entsteht eine sehr feingranulare Prozessorstruktur. Massive Parallelverarbeitung entsteht dadurch, dass eine Vielzahl von PEs gleichzeitig arbeiten und interagieren können.
Für jedes Mitrion-C-Programm wird der MVP individuell konfiguriert und beinhaltet nur diejenigen PEs,
die das Programm auch benötigt.
Die zwei wesentlichen Merkmale von FPGAs im Vergleich zu Mikroprozessoren sind die niedrige Taktfrequenz von nur wenigen hundert Megahertz (MHz) und die große Anzahl von Logikelementen, welche parallel arbeiten können. Damit muss der MVP die Möglichkeit der massiven Parallelverarbeitung
nutzen, um die Ressourcenausnutzung des FPGAs zu maximieren. Prozessoren mit einer von-NeumannArchitektur sind bereits als IP-Cores für FPGAs vorhanden (MIPS-, PowerPC-IP-Cores), leiden aber
unter der geringen Taktfrequenz der FPGAs und können durch ihren sequentiellen Datenstrom auch
nicht von der Vielzahl von parallel arbeitenden Bausteinen auf dem FPGA profitieren. Dementsprechend
muss der MVP folgenden Anforderungen genügen, um eine effiziente Abarbeitung zu gewährleisten:
• Parallelität des Befehlssatzes: Befehle können gleichzeitig ausgeführt werden
• Parallelität auf Schleifenebene: mehrere Schleifendurchläufe können parallel ausgeführt werden
• Maximale Nutzung der FPGA Ressourcen durch Anpassung des Prozessors an den auszuführenden
Algorithmus
Wenn beispielsweise die Bedingung einer if-Anweisung erst zur Laufzeit ausgewertet werden kann, muss
der MVP beide Programmzweige in Form von PEs implementieren. Dadurch ist es sinnvoll bereits wäh-
40
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
rend der Auswertung der Bedingung beide Zweige gleichzeitig auszuführen und dann das Ergebnis des
entsprechenden Zweiges zurückzugeben. Wird innerhalb eines Zweiges auf Speicher zugegriffen, muss
zuerst die Bedingung ausgewertet werden bevor ein Zweig abgearbeitet werden kann.
Der MVP arbeitet nicht wie ein üblicher Mikroprozessor mit einem Befehlsstrom. Anstelle dessen werden die zu verarbeitenden Befehle auf dem FPGA in Form von Logik implementiert und ein Datenstrom
durch diese geleitet. Es ist nicht möglich den MVP in eine bestehende Schaltung einzubinden, da dieser nur in Verbindung mit der entsprechenden Anbindung unterstützter rekonfigurierbarer Systeme und
einem angepassten API funktioniert.
4.1.3 Mitrion Simulator
Mitrionics stellt mit dem Mitrion Simulator ein Werkzeug zur Verfügung, mit dem Simulation der Funktionalität und Fehlersuche in Mitrion-C-Programmen vorgenommen werden kann, ohne dass der FPGA
dafür benötigt wird. Folgende zwei Punkte verdeutlichen die Notwendigkeit der Simulation:
• Die Debugging-Möglichkeiten von auf dem FPGA laufenden Anwendungen sind stark begrenzt
(siehe 3.4.3).
• Synthese, Plazierung und Verdrahtung benötigt viel Zeit und verlangsamen die Fehlersuche.
Der Simulator kann in drei Modi arbeiten, die im Folgenden näher erläutert werden. Nachdem der
Mitrion-C-Compiler das Programm ohne Fehler übersetzt hat, werden entsprechend dem verwendeten
Modus Debug-Ausgaben angezeigt.
Simulation mit grafischer Benutzeroberfläche
Der „Graphical User Interface“ (GUI) Modus erzeugt einen Datenabhängigkeitsgraphen, der die Datenparallelität und die Parallelität durch Pipelines visualisiert. Jeder Knoten des Graphen repräsentiert
eine vom Programm durchgeführte Operation. Jede Kante, welche zwei Knoten verbindet, stellt eine
gerichtete Datenabhängigkeit dar. Normalerweise ist ein Knoten von darüberliegenden Vorgängerknoten
abhängig. Umgekehrte Abhängigkeiten, wenn also ein Knoten von seinem darunter liegendem Vorgänger abhängt, werden mit gelben Kanten dargestellt. Knoten mit einem schwarzen Rand sind Mitrion-CFunktionen oder Schleifen und beinhalten einen Untergraphen.
Wird der Simulator ausgeführt, fließen Daten über die Kanten durch die Knoten, welche entsprechende
Operationen auf diesen ausführen. Verschiedene Farben weisen auf den Zustand eines Knotens während
der Simulation hin:
4.1. MITRION SDK VON MITRIONICS
41
Abbildung 4.3: Mitrion-C Simulation mit GUI
grün:
Der Knoten hat im letzten Zeitschritt seine Operation ausgeführt.
rot:
Der Knoten ist angehalten und kann seine Operation nicht ausführen, weil der Ausgang nicht konsumiert werden konnte.
grau:
Der Knoten wartet auf Eingangsdaten.
Daraus kann der Programmierer erkennen, wie gut die parallele Abarbeitung des Algorithmus funktioniert. In einem gut parallelisierten Programm ist die überwiegende Anzahl der Knoten grün. Abbildung
4.3 zeigt den graphischen Simulator für das Mitrion-C-Programm aus 4.1.
Blaue Knoten und Kanten arbeiten mit Instance Tokens (also RAM-Zugriffen), während violette Knoten Ein- oder Ausgänge von Untergraphen darstellen. Kanten, die während der Simulation einen Wert
übermitteln, zeigen diesen hellblau hinterlegt an. In der Abbilung wurde der Knoten (foreach-Schleife)
für das Schreiben der Ergebnisse in den SRAM bereits aufgeklappt und wartet auf die Ergebnisse der
vorherigen Schleife. Eine vollständige Darstellung aller Formen und Farben von Knoten und Kanten ist
in [Mit08b] zu finden.
Der Datenabhängigkeitsgraph, welcher durch den Simulator im interaktiven Modus genutzt wird, benötigt noch einige Optimierungsschritte bevor daraus ein MVP erzeugt werden kann. Dementsprechend
kann der Graph nur genutzt werden, um die Funktionalität des Mitrion-C-Programmes zu simulieren.
42
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
Die wirkliche Performance des Programmes kann nur durch die Ausführung des Simulators im BatchModus abgeschätzt werden, in welchem die Simulation auf dem optimierten Graphen durchgeführt wird.
Für zukünfige Mitrion-Versionen hat Mitrionics einen taktgenauen Graphen (vgl. Timing-Simulation in
Abschnitt 4.2.2) angekündigt, der allerdings erst nach der Hardware-Synthese (siehe Abschnitt 4.2.3)
angezeigt werden kann.
Es werden einige Möglichkeiten geboten um durch den Graphen zu navigieren. Neben einfachem Verschieben und Blättern können vergrößert, verkleinert und Funktions- oder Strukturknoten auf- und zugeklappt werden. Zur schnelleren Simulation ist es möglich Breakpoints zu setzen und die Anzeigegeschwindigkeit anzupassen. Außerdem kann die Ausführung Schritt für Schritt durchgespielt, unterbrochen oder zurückgesetzt werden.
Simulation mit Kommandozeile
Im Batch-Modus läuft das kompilierte Mitrion-C-Programm ohne Unterbrechung durch und gibt Ausgaben entsprechend im Quellcode angegebener Beobachtungspunkte (engl. Watchpoints) aus. Zusätzlich
können auch Speicherzugriffe ausgegeben werden.
Im Gegensatz zum grafischen Debug-Modus ist die Simulation im Batch-Modus der konkreten Implementierung des MVP auf dem FPGA sehr nahe, auch wenn keine Hardware-Beschränkungen betrachtet
werden. Damit ermöglicht diese Art der Simulation eine Abschätzung der Performance des Mitrion-CProgrammes auf dem FPGA. Eine entsprechende Konsolenausgabe am Ende des Simulationsdurchlaufs
stellt die Anzahl der 100MHz Taktzyklen dar, welche benötigt werden um das Mitrion-C-Programm auf
dem FPGA auszuführen.
ROOT
| l: 50.0 ch: 50 rch: 50 BW limited. body ch: 50 rch: 50
|--1
| iterations: 5
|
Env/main/foreach<5>
| l: 50.0 ch: 50 rch: 50 BW limited. body ch: 10 rch: 10
|--1
| iterations: 10
|
Env/main/foreach<5>/for<10>
| l: 30.0 ch: 10 rch: 10 Latency limited dataloop. body latency: 3.0
Auflistung 4.2: Mitrion Bandbreitengraph
Zusätzlich gibt der Simulator einen Bandbreitengraph aus (vgl. Auflistung 4.2 und Quellcode 4.1). Dieser Graph verdeutlicht die Schleifenstruktur eines Mitrion-C-Programmes nach der Optimierung und
zeigt die geschätzten Latenzen und Durchsätze der Schleifen an. Die Latenz einer Schleifenstruktur wird
als Anzahl von Taktzyklen, bis die Schleife alle Ergebnisse produziert hat, angezeigt. Die Leerlaufzeit
4.2. HARDWARE-ENTWICKLUNGSABLAUF
43
(engl. choke) und damit die Anzahl der Taktzyklen, bis eine Schleife erneut ausgeführt werden kann,
wird ebenso angezeigt. Dazu wird noch die durch andere Mitrion-C-Programmteile bedingte Leerlaufzeit (engl. relaxed choke) dargestellt. Damit ist eine Schleifenstruktur entweder durch deren Bandbreite
oder Latenz begrenzt. Für eine bandbreitenbegrenzte Schleife werden choke und relaxed choke angezeigt.
Für eine durch ihre Latenz beschränkte Schleife wird die zugehörige Schleifenlatenz angezeigt.
Da die Länge von Streams dynamisch ist, sind die Angaben bei Schleifen über Streams nicht deterministisch und können demnach nicht zur Performance-Abschätzung solcher Schleifen verwendet werden.
Simulation Server Mode
Im Server-Modus kann der Mitrion Simulator dazu genutzt werden, einen auf dem FPGA implementierten MVP zu emulieren. Aus einem auf dem Host ausführbaren ANSI-C- oder Fortran-Programm heraus
wird der Simulations-Server über die Mithal API aufgerufen. Die Funktionsaufrufe sind dieselben, wie
bei der Ausführung des MVP auf dem FPGA. Es müssen lediglich zwei Funktionsaufrufe angepasst
werden, weil sich die Semantik einiger Argumente ändert. Wird der Server-Modus verwendet, müssen
der Funktion mitrion_fpga_allocate() der Port und der Hostname des Simulations-Servers übergeben
werden. Anstelle der Bitstream-Bezeichnung muss der Funktion mitrion_processor_create() im ServerModus der Dateinamen des Mitrion-C-Quellcodes übergeben werden.
4.2 Hardware-Entwicklungsablauf
Die typische Hardware-Entwicklung beginnt mit einem Hardware-Entwurf. Dieser wird anschließend
in eine Hardwarebeschreibungssprache (HDL) übertragen, simuliert und mittels automatisierter Vorgänge auf die Zieltechnologie umgesetzt. In dieser Arbeit ist das Ergebnis der Hardware-Entwicklung ein
Bitstream, welcher die notwendigen Informationen enthält um den FPGA entsprechend der vorgenommenen Spezifikation zu programmieren. Auf die einzelnen Stufen der Hardware-Entwicklung wird im
Verlauf dieses Kapitels noch genauer eingegangen (siehe Abschnitt 4.2.1).
Zwischen Hardware- und Softwareprogrammierung gibt es einige grundlegende Unterschiede. Ein Hardwaredesign ist die physische, ein Softwaredesign die logische Implementierung einer Funktionalität. Aus
technischer Sicht bezeichnet Software alle nichtphysischen Funktionsbestandteile eines softwaregesteuerten Gerätes. Hardware gibt den physischen Rahmen vor, innerhalb dessen Grenzen eine Software funktioniert. Bei der Hardwareprogrammierung implementiert man für ein mikroelektronisches System einen
bestimmten Umfang an Befehlen, welche durch digitale Schaltungen realisiert werden. Eine Abfolge von
Befehlen, die sich in einem Speicher befinden, können als Software bezeichnet werden. In Abbildung 4.4
44
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
Design-Beschreibung
(Schematic, HDL)
Simulation
Software-Beschreibung
(Quellcode, Diagramme)
Synthese
Compilieren
Technologie-Mapping
Place & Route
Timing-Analyse
Bitstream
Test & Debugging
(auf dem Chip)
(a) Hardware-Entwicklungsablauf
Linken
Executable
Test & Debugging
(b) Software-Entwicklungsablauf
Abbildung 4.4: Vergleich von Hardware- und Softwareentwicklung
sind Hardware- und Software-Entwicklung im Überblick dargestellt, wobei das Ergebnis ein Bitstream,
zur Programmierung des FPGA, bzw. eine ausführbare Datei ist.
Die klassische Vorgehensweise bei der Softwareentwicklung beginnt mit der Beschreibung einer Funktionalittät oder einem Algorithmus in einer höheren Programmiersprache, wie C, C++, Fortran, usw.
Nachdem der Compiler den Quellcode in Maschinensprache übersetzt hat, fügt der Linker einzelne Module zu einem ausführbaren Programm zusammen. Die korrekte Funktionsweise wird mit Hilfe von
Testfällen überprüft. Bei einer falschen Ausgabe, wird der Fehler im Quellcode gesucht und beseitigt.
Danach wird erneut übersetzt, gelinkt und getestet, solange bis alle Testbeispiele fehlerfrei durchlaufen.
Bei der Entwicklung von Hardware kann das zugehörige Design vor der eigentlichen Implementierung simuliert und damit auf Fehler untersucht werden. Während die Simulation bei der HardwareEntwicklung zwingend erforderlich ist, ist sie bei der Software-Entwicklung überflüssig. Ein Grund dafür
ist die Zeit, die für eine Übersetzung des Designs benötigt wird. Die Übersetzungszeiten für SoftwareEntwürfe sind in der Regel kurz. Die automatisierte Implementierung eines Hardware-Entwurfs benötigt
dagegen wesentlich mehr Zeit. Für größere Designs sind Übersetzungszeiten von mehr als einem Tag
realistisch.
Der Mitrion-Enwicklungszylkus (siehe Abbildung 4.1) ordnet sich zwischen Hardware- und SoftwareEntwicklung ein. Wegen der auch für Mitrion-C-Programme notwendigen, zeitintensiven HardwareSynthese wird Simulation verwendet, um die Funktionalität der Beschreibung zu überprüfen. Allerdings
findet diese in Mitrion-C mit typischen Mitteln der Softwareentwicklung statt (Watch-, Break-Points).
4.2. HARDWARE-ENTWICKLUNGSABLAUF
45
Der herkömmliche Ansatz zur Beschreibung von Hardware und damit auch FPGAs sind Hardwarebeschreibungssprachen (HDLs). Die am meisten genutzten HDLs sind Verilog und VHDL. In dieser Arbeit
wurden alle Fallbeispiele (siehe Kapitel 5) in VHDL geschrieben, weshalb im Folgenden ausschließlich auf diese HDL eingegangen wird. Grundlagenwissen zum Entwurf mit VHDL wird in [Pre05] und
[Mä08] vermittelt, worauf auch die folgenden beiden Abschnitte basieren.
Einer der wesentlich Gründe VHDL anstelle von Verilog zu verwenden, ist die größere Anzahl von
Konstrukten zur High-Level-Modellierung (vgl. [Smi96]), wie z.B.:
• Anweisungen zur Erzeugung eigener abstrakter Datentypen,
• Bibliotheken mit Paketen zur Wiederverwendung,
• Konfigurationsanweisungen für die Struktur des Entwurfs,
• Generate-Anweisung um wiederkehrende Strukturen zu erzeugen,
• Anweisung zur Erstellung generischer Modelle mit individuellen Eigenschaften (z.B. Bitweiten).
Alle aufgezählten Konstrukte können für ein synthetisierbares Design verwendet werden. Verilog bietet
außer der Parametrisierung und entsprechender Parameter-Überladung von Modellen keine zu VHDL
vergleichbaren High-Level-Konstrukte.
4.2.1 Hardware-Entwurf mit VHDL
Die Sprache VHDL (VHSIC (Very High Speed Integrated Circuits) Hardware Description Language)
dient der Beschreibung und Simulation von Hardware und ist in Europa die am weitesten verbreitete HDL. Das Entwurfsziel kann programmierbare Logik, wie Complex Programmable Logik Devices
(CPLDs) oder FPGAs oder festverdrahtete Logik, wie z.B. ASICs sein. Ursprünglich entwickelt um
Testumgebungen für die Simulation integrierter Schaltungen zu entwerfen, deckt der Sprachumfang von
VHDL heute alle während des Entwurfsvorgangs anfallenden Beschreibungen der Schaltung ab.
VHDL erlaubt die Beschreibung von der Systemebene bis hin zur Gatterebene. Digitale Schaltungen
bestehen aus Kombinatorik und Speicherelementen. Um beides für reale Hardware nachzubilden ist die
grundlegende Denkweise sehr verschieden zu üblichen Programmiersprachen, wie z.B. C oder Java.
VHDL ist eine datengetriebene Sprache, in der nicht wie bei anderen prozeduralen Programmiersprachen
die Reihenfolge der Befehlsausführung im Mittelpunkt steht.
Komplexe Designs werden durch strukturellen Entwurf hierarchisch aufgebaut. Dies geschieht bei VHDL
über Komponenten, welche Teil einer übergeordneten Struktureinheit sind. Die Komplexität einzelner
Einheiten (engl. entities) kann von einfachen Gattern bis hin zu vollständigen Prozessorkernen reichen.
46
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
Sie können Verhalten-, Datenfluss- und Strukturbeschreibungen beinhalten, wobei in VHDL Schnittstelle
und Implementierung strikt voneinander getrennt werden.
Eine VHDL-Implementierung besteht im wesentlichen aus einer Menge von Prozessen, die gleichzeitig
abgearbeitet werden und nebenläufigen Anweisungen, welche kombinatorische Logik beschreiben. Prozesse bilden komplexe nebenläufige Anweisungen, wobei die Reihenfolge der Anweisungen innerhalb
eines Prozesses von Bedeutung ist. Es wird zwischen kombinatorischen und synchron getakteten Prozessen unterschieden. Kombinatorische Prozesse beschreiben das Verhalten von Schaltnetzen und haben
eine Sensitivitätsliste, welche die Eingangssignale des Netzes beinhaltet. Ändert sich eines dieser Signale, wird der Prozess angestoßen und es können sich Signale ändern, welche wiederum weitere Prozesse
anstoßen. Synchron getaktete Prozesse haben in der Sensitivitätsliste das Taktsignal (und das ResetSignal, falls ein asynchrones Reset benötigt wird). Sie beschreiben Zustandsübergänge von Registern
und legen damit die Werte von Signalen fest, die zur Taktflanke übernommen werden sollen.
VHDL ist eine typenorientierte Programmiersprache. Zudem werden grundsätzlich drei Klassen von
Informationsträgern unterschieden: Konstanten, Signale und Variablen. Einer Konstanten kann üblicherweise nur einmal ein Wert zugewiesen werden. Dieser ist dann in der gesamten Einheit bekannt und
unveränderlich. Signale dienen der Informationsübermittlung zwischen einzelnen nebenläufigen Funktionsblöcken und verknüpfen damit Komponenten und Prozesse untereinander. Ihr Zustand ändert sich
im Vergleich zu den Variablen immer erst am Ende eines sequentiellen Prozesses. Variablen können ausschließlich innerhalb von sequentiellen Anweisungsfolgen, wie Prozessen und Prozeduren, verwendet
werden. Wie bei typischen Programmiersprachen wirken Variablenzuweisungen ohne Verzögerung.
Mit den sog. Generics wird ein generischer Hardwareentwurf ermöglicht. Als Paramter einer Schnittstelle lassen sich damit Entwürfe schnell und einfach anpassen. Das Generate-Statement erlaubt die
Beschreibung sich wiederholender oder bedingter Strukturelemente. In Mitrion-C lässt sich eine Parametrierung des Entwurfs über define-Anweisungen lösen.
VHDL benutzt ein Bibliothekskonzept um den Zugriff auf gemeinsame Datenbestände zu ermöglichen,
Entwürfe wiederzuverwenden und herstellerspezifische Bibliotheken einzubinden. Pakete sind Bestandteile von Bibliotheken und können lokale Typen und Konstanten, Komponentendeklarationen, Funktionen und Prozeduren bündeln. Sie werden wie Einheiten in Schnittstelle und Implementierung untergliedert. Ein mächtiges Hilfsmittel für Verhaltensmodelle sind Funktionen und Prozeduren, welche jedoch
nur in beschränktem Umfang in der Synthese unterstützt werden.
Eine Möglichkeit den Hardware-Entwurf großer System (z.B. SoCs) zu vereinfachen und zu beschleunigen sind IP-Cores (Intellectual Property Cores). In der Halbleiterindustrie werden damit fertige Entwürfe
bezeichnet, welche in anderen Entwürfen erneut verwendet werden können (Design Reuse). Kürzere Ent-
4.2. HARDWARE-ENTWICKLUNGSABLAUF
47
wicklungszeiten führen meist auch zu geringeren Kosten. Es wird zudem zwischen Soft-IP-Cores und
Hard-IP-Cores unterschieden. Hard-IP-Cores sind als fertige Schaltung herstellerseitig unveränderbar in
den Chip des FPGAs integriert (siehe z.B. Abschnitt 2.4). Soft-IP-Cores hingegen liegen typischerweise
als generische Netzlisten oder aber HDL-Quellcode vor. Diese Darstellung als Netzliste schützt den Anbieter vor Reverse Engineering, verhindert allerdings auch die Portierung auf beliebige Zielplattformen.
Daher bieten die FPGA-Hersteller in ihren Entwicklungsumgebungen IP-Core-Generatoren zur Erzeugung von Netzlisten für verschiedene FPGA-Modelle an. Zudem gibt es Unternehmen, die sich darauf
spezialisiert haben, Teile oder komplette integrierte Schaltkreise zu entwerfen und Lizenzen dieser Designs zu verkaufen. Typische Beispiele für Soft-IP-Cores sind Mikrokontroller wie PicoBlaze. Synthetisierbare IP-Cores, die im HDL-Quellcode vorliegen, ermöglichen dem Benutzer Anpassungen auf der
funktionalen Ebene vorzunehmen und können sowohl für FPGAs als auch ASICs benutzt werden. Beide
Formen von Soft-IP-Cores werden im frei programmierbaren Bereich eines FPGAs implementiert. Ein
IP-Core im Schaltkreisentwurf ist vergleichbar mit einer Bibliothek in der Hochsprachenprogrammierung.
Es gibt zwei typische in VHDL verwendete Programmierstile. Häufig wird der Datenflussstil verwendet
(auch in den Fallbeispielen dieser Diplomarbeit). Hierbei werden pro Komponentenarchitektur eine Vielzahl parallel ablaufender (meist kleiner) synchron getakteter Prozesse und nebenläufiger Anweisungen
beschrieben. Mit den Prozessen werden einzelne, meist elementare Hardwarestrukturelemente direkt in
VHDL abgebildet. Signale dienen sowohl zur Zustandsspeicherung innerhalb der einzelnen Prozesse, als
auch zur Informationsübermittlung zwischen Prozessen und Komponenten. Die sog. 2-Prozessmethode
findet vor allem im synchronen FPGA-Design Verwendung. Die Komponentenarchitektur besteht dann
nur noch aus zwei Prozessen: Ein meist sehr komplexer rein kombinatorischer Prozess, welcher den kompletten Algorithmus und das Verfahren beinhaltet und ein recht einfacher getakteter Prozess, welcher alle
Register (Zustandsspeicher) beinhaltet.
Darüber hinaus gibt es sprachliche Erweiterungen in Form von VHDL-AMS, mit welchen auch analoge Systeme beschrieben werden können. Diese soll den Rahmen elektrischer Simulation verlassen und
auch mechanische Elemente, Sensoren und Aktoren modellieren, um zu einer möglichst vollständigen
Systemsimulation zu gelangen.
Mit VHDL ist es auch möglich, nicht synthesefähigen, funktionalen Code zu schreiben. Einige Anweisungen sind nur für die Simulation verwendbar und können nicht in Hardware umgesetzt werden. Nicht
synthesefähiger Code dient damit der Schaltungssimulation und wird in sog. Testbenches beschrieben,
um die Umgebung der zu synthetisierenden Hardware zu simulieren. Damit kann dann das Verhalten von
z.B. Schnittstellenprotokollen getestet werden.
48
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
4.2.2 Simulation
Die Simulation ist eine Vorgehensweise zur Analyse von Systemen, die für eine theoretische oder formelmäßige Behandlung zu kompliziert sind. Dies ist überwiegend bei dynamischem Systemverhalten
der Fall. Weitere Gründe für den Einsatz einer Simulation können z.B. sein, wenn die Untersuchung am
realen System entschieden aufwändiger wäre oder das reale System (noch) nicht existiert. Jede Form
der Simulation hat natürlich auch Grenzen, wie z.B. die Begrenztheit der Mittel (Rechenkapazität, Zeit,
etc.). Aufgrund dieser Einschränkungen muss ein Modell möglichst einfach sein, was bedeutet, dass eine
grobe Vereinfachung der Realität vorgenommen wird. Dies beeinflusst wiederum die Genauigkeit der
Simulationsergebnisse.
Diese anwendungsunspezifische Betrachtung kann direkt in die Hardware-Simulation übernommen werden. Auch wenn es sich um rekonfigurierbare Hardware wie FPGAs handelt, ist die Simulation bei der
Hardware-Entwicklung ein nicht zu unterschätzender Aufwand. Sie wird hauptsächlich deswegen verwendet, weil die Fehlersuche auf dem FPGA kompliziert ist und eine Hardware-Synthese, je nach Größe
der Schaltung, mehrere Tage dauern kann. Ohne Simulation würde sich der Hardware-Entwicklungszyklus stark verlängern.
Für die Simulation paralleler Hardware ist es notwendig die Abläufe auf ein sequentielles Programm
abzubilden. Dies wird mit sog. Zeitscheiben vorgenommen. Es werden alle nebenläufigen Anweisungen und Prozesse einzeln ausgeführt und jedem Signalwert ein Ereignis zugeordnet. Innerhalb einer
Zeitscheibe hat jedes Signal einen festen Wert. Da es sich um eine ereignisgetriebene Simulation von Signalen handelt, brauchen für eine nachfolgende Zeitscheibe nur Prozesse betrachtet zu werden, in denen
sich ein Signal aus ihrer Sensitivitätsliste oder einer wait-Anweisung geändert hat. Sowohl die Sensitivitätsliste, als auch wait-Anweisungen bewirken, dass Anweisungen innerhalb eines Prozesses sequenziell
abgearbeitet und dadurch neue Ausgangswerte erzeugt werden.
Bei der Simulation von Hardware werden prinzipiell zwei Simulationsarten unterschieden. Die reine
Verhaltenssimulation (engl. behavioral simulation) der beschriebenen Hardware, in der die funktionalen
Zusammenhänge der Schaltung geprüft werden und die Simulation der fertig platzierten und verdrahteten Schaltung (engl. timing simulation). Bei letzterer wird die Schaltung zunächst synthetisiert, platziert und verdrahtet, bevor aus der fertigen Schaltungsanordnung (Netzliste mit Informationen über die
Verzögerungen) die zugehörigen Laufzeitinformationen entnommen werden. Der Vorteil besteht hier in
dem genaueren Modell, um beispielsweise Zeitablaufprobleme in der Zielhardware bereits während der
Simulation erkennen zu können. Der wesentliche Nachteil besteht in dem damit verbundenen hohem
Rechenaufwand und die im Vergleich zur Verhaltenssimulation lange Simulationszeit.
4.2. HARDWARE-ENTWICKLUNGSABLAUF
49
Weiter kann zwischen Testbenches (Simulationsbeschreibung) mit integrierter Fehlererkennung und Testbenches, welche nur den reinen Zeitverlauf (sog. Waveforms) darstellen, unterschieden werden. Der
Nachteil letzterer ist, dass dabei Fehler in der Implementierung durch die manuelle Prüfung leicht übersehen werden können, vorallem bei komplexen Schaltungen.
4.2.3 Hardware-Synthese
Als Synthese (aus dem Griechischen sýnthesis - die Zusammensetzung, Zusammenfassung, Verknüpfung) bezeichnet man den Umsatz (die Vereinigung) von zwei oder mehr Elementen (Bestandteilen)
zu einer neuen Einheit. Anders formuliert versucht die Synthese aus mehreren Komponenten und/oder
Anweisungen ein System zusammenzusetzen. Im digitalen Schaltkreisentwurf wird der Begriff der Synthese verwendet, um die Umwandlung einer funktionalen Beschreibung einer Schaltung in eine GatterNetzliste zu beschreiben.
Ein Hardware-Synthese-Schritt kann als eine automatisierte Implementierung einer formalen Spezifikation auf einer niedrigeren Abstraktionsebene betrachtet werden (vgl. [Hoc08]). Mit niedriger werdender
Abstraktionsebene kommen Informationen hinzu, wobei ab der Register-Transfer-Ebene technologiespezifische Daten mit einfließen. Abbildung 4.5 zeigt die verschiedenen Abstraktionsebenen (von oben
nach unten fallender Abstraktionsgrad) und die Hardware-Synthese-Schritte um eine niedrigere Abstraktionsebene zu erreichen.
Sowohl für die aus einem Mitrion-C-Programm und der MVP-Architektur synthetisierte VHDL-Beschreibung, als auch für handgeschriebenen VHDL-Code muss eine Hardware-Synthese durchgeführt
werden, um eine der Beschreibung entsprechenden Implementierung zu erhalten.
VerhaltensEbene
High-Level-Synthese
Register-TransferEbene
Logik-Synthese
Logik-Minimierung
LogikEbene
Technologie-Mapping
TechnologieEbene
Place & Route
Physikalische
Ebene
Abbildung 4.5: Hardware-Synthese im Überblick ([Hoc08], Kapitel 1)
50
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
High-Level-Synthese
Dieser erste Synthese-Abschnitt zerlegt die Verhaltensbeschreibung in Daten- und Kontrollpfad. Es werden im Wesentlichen drei Vorgänge durchgeführt:
1. Allokation - Ermittlung der zu verwendenden Ressourcen
2. Binding - Zuordnung von Operationen und Variablen zu Ressourcen
3. Ablaufplanung (engl. Scheduling) - Planung des zeitlichen Ablaufs aller Operationen
Logik-Synthese und Logik-Minimierung
Ein weiterer Synthese-Schritt ist die Umwandlung der Komponenten auf Register-Transfer-Ebene in
Schaltfunktionen (boolesche Funktionen). Wesentliche Aufgaben sind hier:
• Zustandskodierung von endlichen Automaten (FSM) (bei FPGAs meist One-Hot-Kodierung)
• Dekomposition von FSMs (Umwandlung komplexer FSMs in eine Komposition einfacher FSMs,
welche einfacher zu implementieren sind)
• Darstellung von FSMs durch Übergangslogik und Zustandsregister
• Abbildung der Datenpfad-Komponenten auf Schaltfunktionen
Während der Logik-Minimierung wird schließlich versucht eine minimale Implementierung gegebener
Schaltfunktionen zu erreichen und damit eine kostengünstige Realisierung einer Menge von booleschen
Funktionen zu finden. Da exakte Verfahren, wie z.B. der Quine-McCluskey-Algorithmus NP-vollständig
sind, werden an dessen Stelle Heuristiken verwendet. Andernfalls wären große Schaltungen nicht in annehmbarer Zeit synthetisierbar. Die graphische Methode zur Logik-Minimierung mittels eines KarnaughVeitch-Diagramms ist für die Berechnung auf einem Computer ungünstig und wird demnach nicht für
den automatisierten Entwurf verwendet. Für FPGAs ist die Aufgabenstellung noch komplexer, da eine
Funktion mit verschiedenen Grundenelementen des FPGAs realisiert werden kann und damit die Anzahl
der möglichen Realisierungen steigt.
Technologie-Mapping
An dieser Stelle werden die bereits minimierten Schaltfunktionen, Register und andere Makro-Module
auf die Zieltechnologie abgebildet. Dabei werden die Schaltfunktionen in Elemente der Zieltechnologie
zerlegt. Für ein „Full-Custom-Design“ wird üblicherweise „Library-Binding“ (Auswahl von Elementen
aus einer Bibliothek, welche die gewünschte Funktion haben) verwendet, was bei FPGAs allerdings
4.2. HARDWARE-ENTWICKLUNGSABLAUF
51
nicht anwendbar ist. Anstelle dessen werden algebraische Ansätze und die funktionale Dekomposition
genutzt.
Plazierung und Verdrahtung
Während der Plazierung wird die Anordnung der Technologieelemente auf dem Chip vorgenommen,
d.h. für FPGAs werden den physisch vorhandenen CLBs die zu realisierenden Funktionen zugeordnet.
Als Eingabe wird die Netzliste der Schaltung mit den Informationen aus dem Technologie-Mapping verwendet. Randbedingungen, wie z.B. Verdrahtung und Ein- und Ausgänge der Schaltung müssen hier mit
betrachtet werden. Auch dieser Vorgang ist ein NP-vollständiges Problem und kann nur bei gleichzeitiger Verdrahtung exakt gelöst werden. Die Verdrahtung selber ist stark abhängig von der Zieltechnologie
und der Plazierung. Bei FPGAs wird diese über verschiedene Verbindungskanäle vollzogen, während bei
ASICs Metalllagen genutzt werden. Die Verdrahtung hat zudem maßgeblichen Einfluss auf die Performance einer Schaltung.
Das sog. Place & Route ist sehr rechenintensiv und kann bei großen Designs mit harten zeitlichen Bedingungen viele Stunden bis Tage in Anspruch nehmen. Der Zeitaufwand hängt dabei nicht nur von
der Komplexität des FPGA-Designs ab, sondern auch vom Grad der gewählten Optimierung. Verbindungswege müssen möglichst kurz sein, um die Signallaufzeiten und den Flächenbedarf für benutzte
Verdrahtung gering zu halten. Mitunter werden auch CLBs verwendet, um eine Verdrahtung unter entsprechenden zeitlichen Bedingungen zu ermöglichen.
Nach der Verdrahtung sind die Signallaufzeiten fest und können für eine Timing-Simulation verwendet
werden. Während der Timing-Analyse werden zuvor noch der längste Pfad und die damit höchste zu
erreichende Taktfrequenz ermittelt.
52
4. PROGRAMMIERMÖGLICHKEITEN DER SGI RASC PLATTFORM
53
5 Fallbeispiele
Nachdem die Hardware und ihre Kenndaten bereits in den vorangegangenen Kapiteln vorgestellt wurden, soll nun die Leistungsfähigkeit der SGI RASC Programmierplattform anhand von Benchmarks und
Beispielanwendungen bewertet werden. Hierfür wurden die in den Abschnitten 3.3 vorgestellten Kommunikationsvarianten implementiert und anschließend Bandbreiten- und Latenzmessungen vorgenommen. Mit den Implementierungen des MD5-Algorithmus und des Damenproblems sollen neben dem
Leistungsvermögen FPGA-basierter Beschleuniger auch die Performance- und Implementierungsunterschiede zwischen Mitrion-C und VHDL verdeutlicht werden. Da Mitrion nur die Ansteuerung eines
Koprozessors unterstützt, wird aus Gründen der Vergleichbarkeit auch nur ein RC100-FPGA betrachtet.
Dementsprechend verdoppelt sich der gemessene Geschwindigkeitsgewinn für ein RC100-Blade, wenn
zwei Prozesse gestartet und damit die FPGAs unabhängig voneinander angesteuert werden.
In dieser Arbeit wurden die Mitrion SDK XL v1.5.3 build 535 und Xilinx ISE 9.2.04i verwendet. Bei
der Betrachtung von Mitrion-C-Quellcode ist zu beachten, dass der Mitrion-Compiler Optimierungen
vornimmt und damit eine sichere Bestimmung der benötigten FPGA-Takte pro Zuweisung nicht möglich
ist. Anstelle dessen können die Ausgaben des Kommandozeilen-Simulators herangezogen werden.
Bei der Programmierung von RASC unter Verwendung einer Hardwarebeschreibungssprache müssen im
Gegensatz zu Mitrion-C-Implementierungen zusätzlich die Verilog-Wrapper-Module und die Konfigurationsdateien erzeugt werden (z.B. mit dem Algorithmus-Konfigurations-Tool, siehe Abschnitt 3.4.4).
Wird wie in dieser Arbeit VHDL verwendet, muss in der Schnittstelle zum Algorithmus (Verilog-Modul)
anschließend noch die Verdrahtung zu den VHDL-Komponenten vorgenommen werden. Um zu spezifizieren, welche Kommunikationsressourcen genutzt werden, müssen zusätzlich zu den Konfigurationsdateien die Extractor-Anweisungen als Kommentare im Quellcode erstellt werden. Bei Mitrion-C besteht die Schnittstelle zu den Core Services aus Über- und Rückgabeparametern der main-Funktion. Die
Wrapper-Module und Extractor-Anweisungen werden daraus automatisch erzeugt.
Nach der Beschreibung des Algorithmus folgt die Hardware-Synthese, welche je nach betriebenem Aufwand zu unterschiedlichen Ergebnissen führt. Komplexere Optimierungsvorgänge können mit einer größeren Wahrscheinlichkeit die Entwurfsanforderungen erfüllen, beanspruchen jedoch mehr Zeit. Mitrion erlaubt die Einstellung des Hardware-Synthese-Aufwandes in drei Stufen. Vor der Generierung des
54
5. FALLBEISPIELE
2800
MByte pro Sekunde
2400
2000
1600
1200
800
400
0
5
25
50
75
100
127
CPU ID
Abbildung 5.1: Direct IO Streaming Durchsatz aller Knoten (256 MiByte)
VHDL-Designs werden allerdings noch die voraussichtlich benötigten FPGA-Ressourcen abgeschätzt
und ggf. die Hardware-Umsetzung abgebrochen. Während der Tests fiel auf, dass Mitrion 200448 anstelle von 178176 auf dem Virtex-4 LX200 verfügbaren Flipflops für die Abschätzung verwendet (aus Mitrion Debug-Ausgaben), die prozentualen Angaben der realen Umsetzung jedoch recht nahe kamen. Bei der
Verwendung einer HDL kann die Hardware-Synthese, über die vom Algorithmus-Konfigurations-Tool
erzeugten und voreingestellten Konfigurationsdateien, angepasst werden. Damit können für die Synthese,
das Technologie-Mapping und die Plazierung und Verdrahtung unabhängig voneinander Einstellungen
vorgenommen werden, welche mitunter starken Einfluss auf die Umsetzung in die entsprechende Zieltechnologie haben können. Dieses Optimierungspotenzial kann auch mit Mitrion genutzt werden, indem
die generierten Dateien angepasst und anschließend mit der RASC-Tool-Chain verarbeitet werden.
Um die Datendurchsatzmessungen der Mitrion- und VHDL-Implementierungen gut vergleichen zu können, wurde zu jeder Kommunikationsvariante ein Host-Programm mit dem RASC-API (siehe 3.4.1)
geschrieben, welchem über Parameter die zu verwendende Implementierung und die Größe der zu sendenden Daten mitgeteilt werden. Große Übertragungsraten und geringe Latenzzeiten werden genau dann
erreicht, wenn das Host-Programm auf einem zum RC100-Blade topologisch gesehen nahen CPU ausgeführt wird. Mit dplace1 wurde das Host-Programm mit einer festen Datenmenge auf allen frei verfügbaren CPUs (124) ausgeführt und die schnellste Verbindung ermittelt (vgl. Abbildung 5.1). Die Messungen
der Transferraten für verschiedene Datenmengen wurden dann bei geringer Auslastung des Systems in
einem Durchlauf immer auf der gleichen CPU vorgenommen.
Bei den Messungen wurden maximal 256 MByte (entspricht der Größe einer Hugepage) allokiert und
1
Tool zum Binden von Prozessen an CPUs
5.1. SRAM-SCHNITTSTELLE
55
diese mehrfach für die Übertragung größerer Datenmengen an einen FPGA des RC100-Blades geschickt.
Im RASC-Benutzerhandbuch ([SGI08]) wird empfohlen, Daten mit der Größe einer Hugepage zu schicken, um maximale Datenraten zu erreichen.
5.1 SRAM-Schnittstelle
Die Kenndaten und Konfigurationsmöglichkeiten des SRAM-Interfaces wurden bereits in Abschnitt
3.3.1 vorgestellt. Mitrion nutzt als minimale Implementierung der Kommunikation zwei 16 MByte Speicherbänke mit 128-Bit-Wörtern (Konfiguration (1)). Optional kann noch die verbliebene 8 Mbyte SRAMBank hinzugenommen werden. Andere Konfigurationen, wie fünf unabhängige SRAM-Bänke oder kein
SRAM-Speicherkontroller, werden nicht unterstützt.
Um den maximalen Durchsatz für die Kommunikation zwischen Host und Algorithmus über die SRAMSchnittstelle zu ermitteln, bietet es sich an die Konfiguration (1) zu implementieren, was sowohl in
VHDL als auch Mitrion-C vorgenommen wurde. Durch das Zusammenfassen von zwei SRAM-Bänken
(je 8 MByte und 3,2 GByte/s Bandbreite) verdoppelt sich die nutzbare Bandbreite an dieser Schnittstelle auf 6,4 GByte/s und ist theoretisch kein Flaschenhals mehr, was in Messungen auch bestätigt werden konnte. Zudem wird bei der VHDL-Implementierung die Latenz von indizierten SRAM-Speicherzugriffen aus dem Algorithmus-Block gemessen. Weiterhin wird zwischen Buffered I/O und Direct I/O
unterschieden (vgl. Abschnitt 3.4.1 - Absätze drei und vier).
5.1.1 Implementierung
Das einfache Mitrion-C-Programm aus 5.1 verwendet den RC100-SRAM zum Datentransfer zwischen
Host und Algorithmus. Um auf Speicher-Blöcke oder -Bänke zugreifen zu können werden bei MitrionC an diese gebundene Instance-Tokens verwendet. Die SRAM-Bänke werden in Form solcher Token
der main-Funktion übergeben und mit dem Schlüsselwort mem versehen. Eine Größenangabe zu diesen
legt fest, wieviele Werte vom Algorithmus gelesen bzw. geschrieben werden dürfen. Für eine 16 MByte
SRAM-Bank können minimal 2048 und maximal 1048576 128-Bit-Werte übertragen werden. Die untere
Grenze ist von Mitrion festgelegt, während sich die obere Grenze aus der Größe der Speicherbank ergibt.
Die Daten werden auch übertragen, wenn der Algorithmus diese nicht verarbeitet. Um Multibuffering
(siehe 3.3.1 - letzter Absatz) zu ermöglichen, wird die SRAM-Bank in Segmente unterteilt. Die BeispielImplementierung verwendet zwei Segmente pro 16 MByte SRAM-Bank, wodurch immer ein Vielfaches
von 524288 128-Bit-Werte pro Richtung zwischen Host und FPGA übertragen werden muss. Über eine
foreach-Schleife werden die Werte verarbeitet, wobei die Funktionen memread() und memwrite() den
56
0
5. FALLBEISPIELE
Mitrion-C 1.5;
// Options: -cpp -alg-name testsramitc -alg-id 4242 -alg-ver 2
#define SIZE 524288
#define SRAM mem bits:128[SIZE]
5
10
15
(SRAM, SRAM) main(SRAM sram0, SRAM sram1, uint:64 inc_val){
(sram0_done, sram1_done) = foreach(i in <0 .. SIZE-1>){
(in128, sram0_rd) = memread(sram0, i);
uint:16[8] in16 = in128;
uint:16 in16_0 = in16[0] + inc_val;
uint:16 in16_4 = in16[4] + inc_val;
bits:128 result = [in16_0, in16[1], in16[2], in16[3],
in16_4, in16[5], in16[6], in16[7]];
sram1_wr = memwrite(sram1, i, result);
} (sram0_rd, sram1_wr);
} (sram0_done, sram1_done);
Auflistung 5.1: Mitrion-C-Programm zum Test der SRAM-Anbindung
indizierten Zugriff auf den SRAM ermöglichen. Zwei 16-Bit-Additionen auf den oberen und unteren
64 Bit der übergebenen Werte werden als einzige Datenmanipulation durchgeführt und dienen später
der Überprüfung, ob die Daten durch den FPGA korrekt verarbeitet wurden. Hierzu wird der aus dem
SRAM gelesene 128-Bit-Wert in einen Vektor aus acht 16-Bit-Werten unterteilt und die unteren 16 Bit
eines aus dem Host-Programm übergebenen Parameters (Nutzung eines Algorithm Defined Register) auf
das erste und fünfte Vektorelement addiert. Die Reduzierung der Addition auf 16 Bit vereinfacht die
Verdrahtung des Algorithmuskerns. Schließlich werden noch die verarbeiteten Instance-Tokens zurückgegeben. Das Mitrion-C-Programm besteht damit aus einer durch ihre Bandbreite begrenzten Schleife
(Mitrion Bandbreitengraph), wobei jedoch die Speicherzugriffe zu einer sequentiellen Verarbeitung der
Daten führen.
Die VHDL-Umsetzung des Datentransfers über den RC100-SRAM ist im Wesentlichen deswegen aufwendiger als in Mitrion-C, weil der Kontrollfluss zwischen Core Services und Algorithmus zusätzlich
implementiert werden muss. Ein Ausschnitt des VHDL-Quellcodes ist im Anhang A.1 gelistet. Nicht
enthalten sind die Schnittstelle und die Signaldefinitionen, sowie ein Prozess zur Messung der Latenz
von indizierten Speicherzugriffen. Der erste Prozess sendet Leseanfragen (für die SRAM-Bank 0) an
den Speicherkontroller, sobald dieser signalisiert, dass er bereit ist. Dabei werden gelesene Worte gezählt
und beim Erreichen der vom Host-Programm übermittelbaren Grenze (Algorithm Defined Register) keine
weiteren Anfragen mehr gesendet. Der zweite Prozess nimmt wie bei der Mitrion-C-Implementierung
zwei 16-Bit-Additionen vor und schreibt die Werte in SRAM-Bank 1. Das Offset (Zeilen 16 und 42)
für die Adressierung des Speichers wird durch die Core Services gesetzt und ermöglicht Multibuffering. Im Unterschied zur Mitrion-C-Implementierung muss die Anzahl der zu verarbeitenden Wörter
vom Host-Programm angegeben werden. Dies erhöht die Flexibilität und erlaubt es Datenpakete kleiner
5.1. SRAM-SCHNITTSTELLE
57
1800
1600
1400
MByte/s
1200
1000
800
600
400
200
0
0,0625
0,125
0,25
0,5
1
2
4
8
16
32
64
128
256
512
1024
Datenmenge (MiByte)
DirectIO VHDL
BufferedIO VHDL
DirectIO [email protected]
BufferedIO [email protected]
DirectIO Mitrion
BufferedIO Mitrion
Abbildung 5.2: Durchsatz über den SRAM des RC100-Blades
als ein Multibuffering-SRAM-Segment zu senden. Dafür muss auch die Bitstream-Konfigurationsdatei
angepasst werden, was aber ohne erneute Hardware-Synthese möglich ist.
5.1.2 Tests und Messungen
Die Hardware-Synthese konnte für 100 MHz Taktfrequenz des Algorithmus (VHDL und Mitrion) mit
geringem Aufwand durchgeführt werden. Für 200 Mhz (nur VHDL) musste der Aufwand jedoch erhöht
werden, um das Timing der Core Services zu ermöglichen. Das fertige Design benötigt bei gleichen
Parametern der technologiespezifischen Synthese mit Mitrion 14% und mit der VHDL-Implementierung
12% der Slices des Virtex-4-LX200-FPGAs. Abbildung 5.2 zeigt eine Übersicht der Messungen zur
SRAM-Kommunikation.
Die Datendurchsatzmessungen in [IJ08] wurden mit einer früheren Version von Mitrion vorgenommen
und weisen bei 64 MiByte Paketgröße mit Direct I/O höhere und mit Buffered I/O niedrigere Datendurchsätze auf. Diese können jedoch je nach CPU-Wahl und Auslastung des Systems um einige hundert
MByte/s abweichen. Damit erreichen die Messungen gerade die Hälfte des theoretische Maximums von
3,2 GByte/s. Auch wenn die Daten ausschließlich vom Host in den SRAM des RC100-Blades kopiert und
anschließend wieder zurückgespielt werden, übersteigen die Datendurchsätze 1,65 GByte/s nicht. Dieser
Test ist möglich, indem der VHDL-Implementierung vom Host-Programm als Parameter für die zu verarbeitenden Wörter null übergeben wird. Die Speicherbandbreite zwischen SRAM und Algorithmus und
die Verzögerung des Algorithmus selber haben dann keinen Einfluss mehr auf den Datendurchsatz zwischen Host und FPGA. Dementsprechend ergaben Messungen für kleine Datenmengen eine Erhöhung
des Durchsatzes, der jedoch mit zunehmenden Größe der zu übertragenden Daten vernachlässigbar wird.
58
5. FALLBEISPIELE
Allgemein ist festzustellen, dass die Werte zwischen Messungen bei der Verwendung gleicher Parameter
mitunter um bis zu 150 MByte/s schwanken.
Der Mitrion Virtual Processor wird mit 100 MHz getaktet, weshalb der maximale Datendurchsatz auf
1,6 GByte/s begrenzt ist. Die gemessenen Werte kommen damit durchaus in die Nähe des theoretischen
Maximums. Die Ausführung mit dem VHDL-Design auf 100 MHz bestätigen die Datenübertragungsraten der Mitrion-Umsetzung. Zudem konnten mit dieser Implementierung Werte kleiner als acht MiByte
(ein SRAM-Bank-Segment) aufgenommen werden.
Aus dem Diagramm kann die Größe des SRAM-Segments von acht MiByte abgelesen werden. Datenmengen über die Segment-Größe nutzen Multibuffering. Mit 256 MiByte (Größe einer Hugepage) ist
die maximale Datenrate erreicht. Die Werte für größere Datenmengen wurden durch das erneute Senden
des bereits allokierten Speichers ermittelt und bieten dementsprechend keine oder nur geringfügig höhere
Datenraten. Die Halbierung der Segment-Größe einer SRAM-Bank führte zu einer leichten Verringerung
des Datendurchsatzes.
Neben einer Latenz von 16 Taktzyklen bei 200 MHz Taktfrequenz (80 ns) wurde die Bandbreite mit
6,4 GByte/s (entspricht dem theoretischen Maximum) zwischen FPGA-Algorithmus und einer 16 MiByte
SRAM-Bank gemessen. Für die Messung der Bandbreite wurden gleichzeitig 8 MiByte in den SRAM
geschrieben und gelesen und die benötigten Takte gezählt. Die Latenz wurde für einen indizierten Speicherzugriff ebenso durch Zählen der Takte ermittelt.
5.2 Direct Streaming
Das direkte Streaming ist immer dann gut geeignet, wenn der Algorithmus keinen indizierten Zugriff
auf einzelne Werte benötigt und Datenströme direkt verarbeiten kann oder die Block-RAM-Ressourcen
des FPGA als Pufferung ausreichen. Zudem verwenden bei dieser Kommunikationsvariante die Core
Services am wenigsten FPGA-Logik und es werden die höchsten Datendurchsätze erreicht.
5.2.1 Implementierung
Für Mitrion-C ist die Implementierung des direkten Streamings recht einfach. Es müssen neben den Speicherports ausschließlich der Übergabe- und Rückgabe-Stream in der Main-Funktion angegeben werden.
Der Speicherkontroller der Core Services wird damit auch integriert, wenn der Algorithmus nicht auf
den SRAM zugreift. Innherhalb des Mitrion-C-Programmes können unter Verwendung einer FOR- oder
FOREACH-Schleife die Elemente des Streams verarbeitet werden. Während die RASC Core Services
5.2. DIRECT STREAMING
0
59
Mitrion-C 1.5;
// Options: -cpp -alg-name teststrmitc -alg-id 4242 -alg-ver 2
#define SRAM mem bits:128[2048]
5
10
(SRAM, SRAM, bits:128(..))main(SRAM sram0, SRAM sram1,
bits:128(..) strm_in, uint:64 inc_val){
strm_out = foreach(e in strm_in){
uint:16[8] in16 = e;
uint:16 in16_0 = in16[0] + inc_val;
uint:16 in16_4 = in16[4] + inc_val;
bits:128 result = [in16_0, in16[1], in16[2], in16[3],
in16_4, in16[5], in16[6], in16[7]];
} result;
} (sram0, sram1, strm_out);
Auflistung 5.2: Mitrion-C-Programm zum Test des Direct Streaming
vier Streams je Richtung (Eingang, Ausgang) unterstützen, kann mit Mitrion-C nur ein Eingangs- und ein
Ausgangs-Stream verwendet werden. Der Quellcode in 5.2 zeigt ein einfaches Beispiel zur Nutzung des
direkten Streamings. Dabei wird, wie bei dem Beispiel für die SRAM-Kommunikation, jeder 128-BitWert in zwei 64-Bit-Werte aufgeteilt und zu diesen ein vom Host-Programm übergebener Wert addiert.
Um Verdrahtungsprobleme oder zusätzliche Verzögerungen von vornherein zu vermeiden, wurden die
Additionen wiederum auf 16 Bit beschränkt.
Auch in VHDL ist das Streaming-Interface sehr übersichtlich und leicht zu implementieren (siehe Quellcodeausschnitt im Anhang A.4). Im Vergleich zur SRAM-Kommunikation ist keine Adressberechnung
notwendig, da die Daten der Reihenfolge nach abgearbeitet werden. Mit dem optional verwendbaren Stream-In-Complete-Signal können zudem ohne die Übergabe zusätzlicher Parameter aus Sicht der
VHDL-Implementierung beliebig lange Streams verarbeitet werden. Während die eigentliche Operation
(zwei 16-Bit-Additionen) sehr kurz beschrieben werden kann, müssen zusätzlich noch die Kontrollsignale zu den Core Services angesteuert und eine entsprechende Beschreibung der Schnittstelle (nicht im
Quellcode-Listing enthalten) vorgenommen werden. Sobald ein Stream bereit ist, kann durch das Anfordern von Werten aus einem Stream gelesen werden. Einem Stream werden Daten hinzugefügt, indem ein
valid-Signal für einen anliegenden Wert gesendet wird. Das Senden des Streams wird letztendlich durch
das flush-Signal initiiert.
5.2.2 Tests und Messungen
Für eine erfolgreiche Umsetzung in Hardware musste trotz einer geringen Logiktiefe des Algortihmus
für beide Implementierungen ein hoher Hardware-Synthese-Aufwand gewählt werden. Bei normalem
Aufwand gelang es bei der Verdrahtung nicht, die zeitlichen Anforderungen (engl. Timing-Constraints)
der Core Services zu erfüllen. Das gesamte Design benötigt bei gleichen Aufrufparametern der tech-
60
5. FALLBEISPIELE
2500
MByte/s
2000
1500
1000
500
0
0,0625
0,125
0,25
0,5
1
2
4
8
16
32
64
128
256
512
1024
Datenmenge (MiByte)
DirectIO VHDL
BufferedIO VHDL
DirectIO [email protected]
BufferedIO [email protected]
DirectIO Mitrion
BufferedIO Mitrion
Abbildung 5.3: Direct Streaming Durchsatz
nologiespezifischen Synthese mit Mitrion 13% und mit der VHDL-Implementierung 7% der Slices des
Virtex-4-LX200-FPGAs. Der deutlich größere Flächenbedarf des Mitrion-Designs begründet sich in der
unnötigen Integration des Speicherkontrollers.
Während der Tests erreichte diese Kommunikationsvariante mit bis zu 2,4 GByte/s bei der Übertragung
einer kompletten Hugepage die höchsten Datenraten. Abbildung 5.3 zeigt die Ergebnisse der durchgeführten Tests. Wie bei der SRAM-Kommunikation erhöht sich der Durchsatz mit der Größe der übertragenen Daten. Bei 256 MiByte wird für Direct I/O der maximale Durchsatz erreicht, welcher sich bei größeren Datenmengen leicht verringert. Dies liegt daran, dass mit einer Hugepage maximal 256 MiBytes
zusammenhängender Speicher allokiert werden kann und die rasclib_cop_send-Funktion nur einen Pointer auf den Speicherbereich der Daten akzeptiert. Nach einem Streaming-Durchlauf muss dann die
rasclib_cop_close-Funktion (siehe Tabelle 3.2) aufgerufen werden, bevor ein neuer Durchlauf gestartet
werden kann. Größere Datenmengen wurden durch das Senden einer Hugepage in mehreren Durchläufen
übertragen. Die Messschleife zur Ermittlung des Durchsatzes ist im Quellcode-Listing A.5 dargestellt.
Das Diagramm zeigt deutlich geringere Datenraten für Direct-Streaming mit Mitrion und Direct I/O.
Während die VHDL-Implementierung mit 100 MHz Taktfrequenz sehr nahe an den theoretischen Maximalwert (von 1,6 GByte/s) herankommt, bleibt die Mitrion-Umsetzung unter einem GByte/s. Für Buffered I/O liegen die gemessenen Werte sehr nahe beieinander, wobei die VHDL-Implementierung mit
200 MHz die höchsten und die Mitrion-Implementierung die niedrigsten Ergebnisse liefern. Zudem
schwanken die Werte zwischen vergleichbaren Messungen bei größeren Datenpaketen stärker als bei
Direct I/O, weil eine Pufferung über einen Speicherbereich des Kernels hinzukommt und dieser mitunter
nicht kontinuierlich angelegt werden kann.
5.3. KOMMUNIKATION ÜBER MEMORY MAPPED REGISTERS
61
5.3 Kommunikation über Memory Mapped Registers
Anwendungen mit geringer Host-FPGA-Kommunikation können die sog. Memory Mapped Registers
(MMRs) nutzen. Mit Mitrion ist die Kommunikation über MMRs nur stark eingeschränkt möglich. Sie
erlauben nur die Übergabe von Parametern und können als einfache Ausgabe von Ergebnissen oder
Debug-Informationen verwendet werden. Eine Ping-Pong-Kommunikation, wie sie mit einer HDL möglich ist, kann mit Mitrion-C nicht vorgenommen werden. Während die Core Services Kontrollsignale
bereitstellen um zu signalisieren, dass der Host ein Register verändert oder gelesen hat, ist diese Funktionalität in Mitrion-C nicht verfügbar, weshalb im Folgenden nur auf die VHDL-Implementierung und
deren Messergebnisse eingegangen wird.
Der wesentliche Vorteil gegenüber den beiden bereits vorgestellten Kommunikationsvarianten liegt im
wechselseitigen Datenaustausch zwischen Host und FPGA, ohne dass das Taktsignal des Algorithmus
unterbrochen wird. Damit ist es dem Algorithmus während seiner Ausführung möglich, auf sich verändernde Eingaben zu reagieren. Auch der Host kann auf die Ausgaben des Algorithmus reagieren, ohne
dessen Ausführung beenden zu müssen. Beim Direct Streaming und bei der SRAM-Kommunikation
hingegen werden einmalig Daten geschickt und nach dem Start-Signal auf das Empfangen der Daten
gewartet. Anschließend kann der Algorithmus mit anderen Daten neu gestartet werden. Die Kommunikation mit MMRs ist somit für den Langzeitbetrieb geeignet.
5.3.1 Implementierung
Über die RASC Core Services können dem Algorithmus-Block bis zu 64 sog. Algorithm Defined Registers (ADRs) als Modul-Eingänge zur Verfügung gestellt werden. Hinzu kommen drei Kontrollsignale
pro Register, um dieses zu beschreiben oder aber zu erfahren, ob es vom Host beschrieben oder gelesen
wurde. Bis zu 64 Debug-Register können zusätzlich genutzt werden, um während der Ausführung des
Algorithmus auf dem FPGA eine Fehlersuche zu ermöglichen oder einfach nur Daten auszugeben.
Die Beispiel-Implementierung (vgl. VHDL-Quellcodeauschnitt A.6) stellt für Dateneingang und Datenausgang je 16 ADRs bereit. Um testen zu können, wie sich der Durchsatz mit den verwendeten ADRs
verhält, kann die Anzahl dieser über einen vom Host bestimmbaren Parameter eingestellt werden. Ein
Auschnitt aus der Hostanwendung ist in Listing A.7 aufgeführt. Da die ADRs nicht gleichzeitg von den
Core Services beschrieben werden, wird immer der Wert eines gerade vom Host veränderten Registers
in einem FIFO gepuffert. Ist dieser nicht leer, werden die enthaltenen Werte in die Ausgangsregister
geschrieben. Enthalten alle aktuelle Werte, wird zusätzlich einem Debug-Register diese Information mitgeteilt, welche der Host durch Polling (periodische Anfragen) abrufen kann. Damit kann sich sowohl
62
5. FALLBEISPIELE
verwendete Register
Eingangsregister 0
Ausgangsregister 0
Eingangsregister 1
Ausgangsregister 1
Eingangsregister 2
Ausgangsregister 2
Eingangslogik
64
512 x 64Bit
Block-RAMFIFO
64
Ausgangslogik
Eingangsregister 14
Ausgangsregister 14
Eingangsregister 15
Ausgangsregister 15
Register aktualisiert
Register gelesen
Ausgang valid
Abbildung 5.4: Memory Mapped Registers – Kommunikationsschema
der Algorithmus als auch der Host über den Zustand der Register informieren. Das Prinzip der BeispielImplementierung ist schematisch in Abbildung 5.4 dargestellt.
In diesem Entwurf wird ein mit dem Xilinx Core Generator erstellter, 512 Werte tiefer, 64-Bit FirstWord-Fall-Through2 Block-RAM-FIFO als Puffer genutzt. Zudem werden Zähler verwendet um die
Latenz zwischen Register-Aktualisierungen und Register-Auslesevorgängen zu messen. Mit dem HostProgramm kann diese dann über Debug-Register ausgelesen werden.
Um weitere Ressourcen einzusparen, wäre es möglich die selben Register als Ein- und Ausgang zu verwenden. Allerdings muss dann dafür gesorgt werden, dass der Host und der Algorithmus nicht gleichzeitig auf diese Register schreiben können.
5.3.2 Tests und Messungen
Das Design benötigt laut Ausgaben der Hardware-Synthese 9% der Virtex-4-Slices und damit etwas
mehr Ressourcen als die Direct Streaming Beispiel-Implementierung. Allerdings wurden mit 32 ADRs
(aus Timing-Gründen zusätzlich gepuffert), acht Debug-Registern und einem 512 Werte tiefen 64-BitBlock-RAM-FIFO schon vom Algorithmus mehr Ressourcen verwendet.
Die Durchsatzmessungen zeigen deutlich geringere Ergebnisse als beim Streaming. Abbildung 5.5 zeigt
den erreichbaren Datendurchsatz bei der Übertragung von 512 ∗ 64Bit = 4KiByte in Abhängigkeit von
den verwendeten ADRs. Das hostseitige Polling ist in dieser Messung optional. Wird angenommen, dass
die Ausgangsregister beim Auslesen immer gültig sind, ist keine Anfrage über deren Zustand notwendig
und der Durchsatz erhöht sich. Eine solche Annahme kann daraus resultieren, dass zwischen dem Schrei2
erster eingehender Wert wird durchgereicht und liegt direkt am Ausgang an
5.4. MD5 BRUTE FORCE
63
4.5
Datendurchsatz (MByte/s)
4
3.5
3
2.5
2
1.5
1
1
2
4
8
16
Algorithm Defined Registers
mit Polling
ohne Polling
Abbildung 5.5: Memory Mapped Registers – Durchsatzmessung
ben und Lesen eines Registers durch den Host etwa 400 Takte bei 200MHz Taktfrequenz (2µs) liegen.
Werden mehrere Pakete hintereinander vom Host gesendet oder empfangen, liegt die Latenz zwischen
dem Eintreffen dieser bei ca. 180 Takten (0, 9µs). Die Kontrolle, ob aktuelle Daten vorliegen, erfordert
mindestens einen zusätzlichen Lesevorgang durch den Host, was den effektiven Datendurchsatz verringert.
Es müssen mindestens soviele 8-Byte-Pakete übertragen werden, wie Eingangs- bzw. Ausgangsregister
genutzt werden. Wird ein ADR bei der Übertragung von nur acht Byte (64 Bit) pro Durchlauf verwendet, liegt der Datendurchsatz bei 0,67 MByte/s. Die Nutzung von 16 ADRs und 512 übertragenen Werten
(4096 Bytes) pro Durchlauf erhöht den Durchsatz auf bis zu 4,07 MByte/s ohne Synchronisation beim
Auslesen der Register. Die zusätzliche Abfrage, ob Registerwerte bereitstehen, verringert den Datendurchsatz je nach Anzahl der verwendeten ADRs um 0,2 bis 0,6 MByte/s. Die Verwendung von Direct
I/O oder Buffered I/O hat bei diesen geringen Datenmengen jedoch keinen erkennbaren Einfluss auf
Durchsatz oder Latenz.
5.4 MD5 Brute Force
Als Repräsentant für Kryptographische Verfahren wird in dieser Arbeit die Hashfunktion MD5 (MessageDigest Algorithm 5) verwendet. Sie erzeugt aus einem beliebig langen Klartext einen 128-Bit-Hashwert
und wurde 1991 von Ronald Linn Rivest entwickelt. Als Internet Standard (RFC 1321, vgl. [Riv92])
wurde MD5 in einer Vielzahl von Anwendungen zur Verschlüsselung und wird immer noch zur Integritätsprüfung von Dateien verwendet. Bei letzterem wird die aktuell errechnete MD5-Summe einer Datei
mit einer zuvor errechneten verglichen, um zu überprüfen, ob die Datei verändert oder beschädigt wurde.
Bei der Übertragung von Dateien über das Internet oder auch in Netzwerken ist es üblich, eine MD5-
64
5. FALLBEISPIELE
Hash-Summe zur Kontrolle der Übertragung mitzuschicken. Da für MD5 bekannt ist wie Kollisionen
erzeugt werden können (vgl. [WY05]), wird es heutzutage immer weniger in Anwendungen wie SSLZertifikaten oder digitalen Signaturen verwendet, welche auf der Resistenz vor Kollisionen aufbauen.
Wird MD5 genutzt um einfache Passwörter zu speichern, so kann dieses mit sog. Regenbogentabellen
(Sammlung von Klartextwörter und zugehörigem Hash) angegriffen werden. Das Hinzufügen eines Zufallswertes (Salt) zum Passwort verhindert solche Angriffe. Hierbei muss der Zufallswert mit dem Hash
abgespeichert werden, um die Eindeutigkeit der Abbildung des Eingabewerts auf den Hash-Wert zu gewährleisten. Solche „salted Hashes“ können allerdings noch durch Ausprobieren aller Möglichkeiten
(Brute Force) angegriffen und damit der Klartext ermittelt werden. Wieviele Zeichen ein Klartextwort
haben muss, um sicher vor Brute-Force-Angriffen zu sein, zeigen die Performance-Messungen der vorgenommenen Implementierungen und Vergleiche aus anderen Arbeiten (siehe Abschnitt 5.4.3).
Ein MD5 Hash wird typischerweise als eine 32-stellige Hexadezimalzahl dargestellt. Folgendes Beispiel
zeigt eine acht Zeichen/Byte lange ASCII-Eingabe und den zugehörigen MD5-Hash:
md5("rdietric") = d6fe591a6f217dc9c7dfd2766bd8b01d
Im Folgenden wird der Algorithmus zur Erzeugung eines MD5-Hashes aus einer Folge von ASCIIZeichen erläutert, die VHDL- und Mitrion-C-Implementierung betrachtet und schließlich die Performance der verschiedenen Umsetzungen verglichen. Beide Implementierungen basieren auf der in C geschriebenen Kryptografie- und SSL-Bibliothek xyssl ([Dev07]), deren Quellcode frei zugänglich ist.
Algorithmus
Der MD5 Algorithmus wurde so entworfen, dass er schnell auf 32-Bit-Maschinen ausgeführt werden
kann. Zudem benötigt er keine langen Substitutionstabellen und kann sehr kompakt programmiert werden.
MD5 erzeugt aus einer Nachricht mit variabler Länge eine Ausgabe fester Länge (128 Bit). Vorerst wird
die Ausgangsnachricht so erweitert, dass ihre Länge (in Bits) kongruent zu 448 modulo 512 ist, indem
eine Eins und dahinter Nullen angehängt werden. Besitzt die Nachricht bereits die geforderte Länge,
wird dennoch eine Eins angehängt. Eine 64-Bit-Zahl enthält die Nachrichtenlänge und komplettiert die
Nachricht, so dass sie durch 512 teilbar ist und blockweise als Eingabe verwendet werden kann.
Der Hauptalgorithmus von MD5 arbeitet mit einem Puffer aus vier 32-Bit-Wörtern, die zu Beginn mit
festgelegten Konstanten initialisiert werden. Die Verarbeitung eines 512 Bit Nachrichtenblockes wird
in vier sog. Runden vorgenommen. Diese sind einander ähnlich und bestehen aus jeweils 16 gleichen
Operationen, basierend auf einer nichtlinearen Funktion, modularer Addition und einer Linkrotation.
5.4. MD5 BRUTE FORCE
65
Die in den vier Runden verwendeten Funktionen sind:
F (X, Y, Z) = (X ∧ Y ) ∨ (¬X ∧ Z)
G(X, Y, Z) = (X ∧ Z) ∨ (Y ∧ ¬Z)
H(X, Y, Z) = X ⊕ Y ⊕ Z
I(X, Y, Z) = Y ⊕ (X ∨ ¬Z)
Hierbei stehen ⊕, ∧, ∨, ¬ für XOR, AND, OR und NOT-Operationen. Jeder Durchlauf arbeitet auf einem
512 Bit Nachrichtenblock und verändert den Puffer und damit die MD5-Summe. Werden nicht mehr als
56 Zeichen (ein Nachrichtenblock) verwendet, ist nur ein Durchlauf notwendig und die Schleife über die
512-Bit-Blöcke entfällt. Für die VHDL- und Mitrion-C-Implementierung werden ausschließlich kurze
Nachrichten, von bis zu acht Zeichen betrachtet.
5.4.1 VHDL-Entwurf
Die Hardware-Beschreibung des MD5-Brute-Force-Algorithmus basiert auf mehreren parallel arbeitenden Pipelines, welche den Hauptteil des Algorithmus umsetzen. Die Parallelverarbeitung steckt damit
zum einen in der Pipeline-Struktur selber und zum anderen in deren Anzahl. Hinzu kommt eine Komponente zur Erzeugung der 512-Bit-Nachrichtenblöcke und eine weitere zur Rückgewinnung des Klartextes, wenn der gesuchte Hash gefunden wurde. Eine schematische Übersicht der VHDL-Implementierung
ist in Abbildung 5.6 dargestellt.
Die Erzeugung der Nachrichten wird im Klartext-Generator vorgenommen. Dieser basiert auf einer der
Klartextlänge entsprechenden Anzahl von Zählern. Jeder dieser Zähler repräsentiert ein ASCII-Zeichen,
wobei der zu durchsuchende Bereich der ASCII-Tabelle generisch gewählt werden kann. Der erste Zähler
arbeitet mit einer der Pipelinezahl entsprechenden Schrittweite, wodurch ebenso viele Nachrichtenblöcke
pro Takt erzeugt werden können. In diesem VHDL-Entwurf wird die Klartextlänge generisch festgelegt,
was zum einen die Implementierung vereinfacht und zum anderen weniger FPGA-Ressourcen benötigt
(durch Verwendung von weniger als 56 Zeichen).
Bei der Umsetzung der MD5-Pipeline besteht das wesentliche Problem in der effizienten und ressourcensparenden Bereitstellung der Daten in den einzelnen Stufen. Ein naiver Ansatz speichert eine Nachricht
bis deren Verarbeitung erfolgt ist. Die erzeugten Zwischenergebnisse einer Stufe werden dabei temporär
in Registern gehalten, bis sie nicht mehr benötigt werden. Eine Pipeline speichert damit immer soviele
Nachrichten wie sie gerade verarbeitet (Tiefe der Pipeline · 512Bit). Der Vorteil dieses Ansatzes liegt
darin, dass der Klartext zu einem gefundenen Hash direkt anliegt. Nachteilig ist der immense Bedarf an
66
5. FALLBEISPIELE
MD5-Topmodul
clk
Klartext-Generator
rst
Startwort
MD5-Pipeline n
MD5-Pipeline 1
Zähler 0
x*8
fertig
Zähler 1
n * 512
Klartextteil 2
Adresse 2
Zirkularer
Puffer 2
Klartextteil 3
Adresse 3
Zirkularer
Puffer 3
Klartextteil 9
Adresse 63
Zirkularer
Puffer 63
Zähler x
valid
128
Hash
448
Klartext
Hash-Vergleicher
ggf.
KlartextRückgewinnung
n * 128
Abbildung 5.6: MD5 Brute Force – VHDL-Entwurf
FPGA-Fläche (allein 4096 Virtex-4-Slices für die Nachrichtenspeicherung einer Pipeline mit 128 Stufen,
wenn pro Slice 16 Bit gespeichert werden).
Um den Flächenbedarf für die Speicherung der Nachrichtenblöcke zu verringern, kann der Block-RAM
des FPGA genutzt werden. Zudem müssen Teile (32-Bit-Blöcke) der Nachricht nur solange gespeichert
werden, bis sie nicht mehr benötigt werden, mindestens jedoch bis zur ersten Stufe der vierten Runde.
Wenn vom allgemeinen Fall, dass 56 Zeichen pro Nachricht genutzt werden können und die Länge der
Nachricht variiert, abgesehen wird, kann ein Großteil des Nachrichtenblockes als konstant angenommen
werden. Die vorgenommene Implementierung passt sich der Wortlänge an und nutzt bei der Verwendung
von vielen Zeichen den Block-RAM als zirkularen Puffer. Dieser benötigt nur einen Zähler, welcher
die Schreib- und Leseadresse definiert. Damit können zwei Puffer in einen Dual-Port-Block-RAM integriert und Block-RAM-Ressourcen eingespart werden. Die VHDL-Funktionen der ersten beiden MD5Runden, welche für die Umsetzung der Pipeline-Stufen verwendet wurden, sind in 5.3 aufgelistet.
Wie bei der Mitrion-C-Implementierung wird jede Stufe zum besseren Timing in zwei Operationen unterteilt, wodurch eine Pipeline mit einer Tiefe von 128 Stufen entsteht. Die Aufteilung der Einzeloperationen in jeder Stufe wurde im Vergleich zur Mitrion-C-Implementierung anders gewählt, um mit dem
Design eine höhere Taktfrequenz erreichen zu können. In beiden Teilstufen werden jeweils zwei 32-BitAdditionen vorgenommen. Die md5_logic()-Funktionen führen zusätzlich weitere Logik-Operationen
5.4. MD5 BRUTE FORCE
0
5
10
15
20
67
function md5_logic12(din0 : std_logic_vector(31 downto 0);
din1 : std_logic_vector(31 downto 0);
din2 : std_logic_vector(31 downto 0);
din3 : std_logic_vector(31 downto 0);
dinx : std_logic_vector(31 downto 0)
) return std_logic_vector is
begin
return din0 + (din1 XOR (din2 AND (din3 XOR din1))) + dinx;
end md5_logic12;
function md5_shift(tmp
: std_logic_vector(31 downto 0);
shift : positive;
din
: std_logic_vector(31 downto 0);
const : std_logic_vector(31 downto 0)
) return std_logic_vector is
variable to_shift : std_logic_vector(31 downto 0);
begin
to_shift := tmp + const;
return (std_logic_vector((unsigned(to_shift)) sll shift)
OR std_logic_vector((unsigned(to_shift)) srl (32-shift))) + din;
end md5_shift;
Auflistung 5.3: Umsetzung der MD5-Operationen (Runden 1 und 2) in VHDL
durch, während die md5_shift()-Funktion eine Linksrotation vornimmt. Die Übergabeparameter shift
und const sind Konstanten. Der Aufruf dieser Funktionen erfolgt genauso wie in anderen Programmiersprachen durch Übergabe der Parameter/Signalen. Ein Auschnitt der VHDL-MD5-Pipeline ist in
A.8 gelistet.
Jeder von einer MD5-Pipeline erzeugte Hash wird mit dem gesuchten Hash verglichen und bei Übereinstimmung der zugehörige Klartext erzeugt. Der erzeugte Hash kommt in vier 32-Bit-Blöcken jeweils um
zwei Takte verzögert aus der Pipeline, wodurch sich ein Vergleich der einzelnen Blöcke mit den zugehörigen Teilen des gesuchten Hashes anbietet (vgl. Quellcode A.9). Die Klartextrückgewinnung verwendet
die Pipeline-Tiefe, die aktuellen Zähler des Klartextgenerators und die Nummer der Pipeline, welche
den gesuchten Hash erzeugt hat. Pro reproduziertem Zeichen wird ein Takt benötigt. Ein entsprechender
Quellcodeausschnitt ist in A.10 gelistet.
Das Design nutzt in der aktuellen Variante noch die Datentypen std_logic und std_logic_vector,
welche von den meisten Synthese-Tools auch verarbeitet werden können. An dieser Stelle würde sich
einen Anpassung mit dem Paket numeric.std.all anbieten. Die Nutzung von selbst geschriebenen Paketen und darin enthalten Funktionen und Prozeduren ermöglicht eine sehr kompakte und übersichtliche
Beschreibung der Hardware.
Die Schnittstelle zu den Core Services kann einfach gehalten werden, da nur die Eingabe des Hashes
(128 Bit) und die Ausgabe des Klartextes (maximal 56 ASCII-Zeichen ·8Bit = 448Bit). Dementsprechend werden insgesamt neun ADRs (je 64 Bit) für die Datenübertragung verwendet. Der Algorithmus
beendet sich, wenn der letzte Zähler übergelaufen ist (kein Klartext gefunden wurde) oder der erste
68
5. FALLBEISPIELE
übereinstimmende Hash mit zugehörigem Klartext berechnet wurde. Über ein Debug-Register kann das
Host-Programm ermitteln, in welchem Zustand (fertig, rechnend, Klartext gefunden) sich der Algorithmus befindet. Der C-Quellcode zur Kommunikation und Performance-Messung ist in A.11 gelistet.
Die derzeitige Hardware-Synthese kann acht MD5-Pipelines bei einer Taktfrequenz von 146 MHz umsetzen. Dabei werden Klartexte mit nur acht Buchstaben betrachtet. Ab einer Anzahl von neun Pipelines bricht das Synthese-Tool Xilinx ISE während der High-Level-Synthese ohne Angabe eines DesignFehlers ab. Die Tabelle 5.1 zeigt die Nutzung der FPGA-Ressourcen laut den Angaben der HardwareSynthese nach der Plazierung. Es kann also vermutet werden, dass noch mindestens eine Pipeline bei
funktionierender High-Level-Synthese implementierbar ist.
Anzahl der verwendeten Slices
Anzahl der Slice Flipflops
Anzahl der 4-Eingangs-LUTs
Anzahl der FIFO16/RAMB16s
67870
104808
118693
58
von
von
von
von
89088
178176
178176
336
76%
58%
66%
17%
Tabelle 5.1: MD5 Brute-Force: FPGA Ressourcen-Nutzung – VHDL
5.4.2 Implementierung mit Mitrion-C
Die Implementierung eines MD5-Brute-Force-Algorithmus in Mitrion-C wurde bereits im Zusammenhang mit dem Technischen Report [IJ08] vorgenommen und lehnt sich insbesondere bei der Beschreibung der MD5-Pipeline stark an den C-Code der xyssl-Bibliothek an. In 5.4 sind der Zustandspuffer
der MD5-Summe und einige Stufen der Pipeline aufgelistet. Die angegebenen Konstanten sind vom Algorithmus vorgegeben. Das Kernstück des Algorithmus ist somit leicht in Mitrion-C zu übertragen,
zumal die Datenabhängigkeiten zwischen den einzelnen Zuweisungen automatisch gehandhabt werden
– in VHDL muss der Programmierer für deren Einhaltung sorgen. Wie im Quellcode-Listing zu sehen
ist, werden die Operationen pro Stufe auf zwei Zuweisungen aufgeteilt. Vor der Umsetzung in Hardware, führt der Mitrion-Compiler Optimierungen durch und passt die Abfolge der Operationen, wie sie im
Quellcode stehen, an. Das Ergebnis ist eine 128-stufige Pipeline. Um diese mit Daten zu versorgen, wurde eine Verschachtelung von FOREACH-Schleifen (entsprechend der Wortlänge) über einen Bereich der
ASCII-Tabelle (z.B. Kleinbuchstaben) verwendet. Das komplettieren des Nachrichtenblocks kann dann
ähnlich wie in der VHDL-Implementierung durch die feste Zeichenlänge einfach gehalten werden.
Zudem kann aus dem Datenabhängigkeitsgraphen des Mitrion-Simulators abgelesen werden, dass für die
Speicherung des Klartext-Nachrichtenblockes wie in der VHDL-Implementierung Block-RAM verwendet wird. Der Mitrion-Compiler verwendet zur Speicherung von Vektoren ab einer gewissen GesamtBitbreite prinzipiell Block-RAM.
5.4. MD5 BRUTE FORCE
a_0
b_0
c_0
d_0
=
=
=
=
69
0
uint:32
uint:32
uint:32
uint:32
state_in[0];
state_in[1];
state_in[2];
state_in[3];
5
// erste Runde, Stufe 1 und 2
uint:32 a_1 = a_0 + (d_0 ^ (b_0 & (c_0 ^ d_0))) + x[0] + 0xD76AA478;
uint:32 a_2 = ((a_1 << 7) | (a_1 >> (32 - 7))) + b_0;
uint:32 d_1 = d_0 + (c_0 ^ (a_2 & (b_0 ^ c_0))) + x[1] + 0xE8C7B756;
uint:32 d_2 = ((d_1 << 12) | (d_1 >> (32 - 12))) + a_2;
10
// zweite Runde, erste Stufe
uint:32 a_9 = a_8 + (c_8 ^ (d_8 & (b_8 ^ c_8))) + x[1] + 0xF61E2562;
uint:32 a_10 = ((a_9 << 5) | (a_9 >> (32 - 5))) + b_8;
15
// dritte Runde, erste Stufe
uint:32 a_17 = a_16 + (b_16 ^ c_16 ^ d_16) + x[5] + 0xFFFA3942;
uint:32 a_18 = ((a_17 << 4) | (a_17 >> (32 - 4))) + b_16;
20
// vierte Runde, letzte Stufe
uint:32 b_31 = b_30 + (d_32 ^ (c_32 | ~a_32 )) + x[9] + 0xEB86D391;
uint:32 b_32 = ((b_31 << 21) | (b_31 >> (32 - 21))) + c_32;
25
uint:32 s0_out = state_in[0]
uint:32 s1_out = state_in[1]
uint:32 s2_out = state_in[2]
uint:32 s3_out = state_in[3]
state_out = [s0_out, s1_out,
+ a_32;
+ b_32;
+ c_32;
+ d_32;
s2_out, s3_out];
Auflistung 5.4: Mitrion-C MD5-Pipeline
Mit dem aus der Mitrion-C-Beschreibung generierten VHDL-Design lassen sich durch den Overhead
der MVP-Verarbeitungseinheiten nur drei Pipelines auf dem Virtex-4-LX200-FPGA umsetzen, wobei
für die Beispiel-Implementierung auch nur acht Zeichen betrachtet wurden. Die Tabelle 5.2 zeigt die
Nutzung der FPGA-Ressourcen laut den Angaben der Hardware-Synthese nach der Plazierung. Die vor
der Synthese vorgenommene Abschätzung durch Mitrion (von 65% Flipflop- und 48% Block-RAMNutzung) ist beim MD5-Algorithmus mit acht Zeichen und drei Pipelines sehr gut und stimmt fast mit
den Ergebnissen der Hardware-Synthese überein.
Anzahl der verwendeten Slices
Anzahl der Slice Flipflops
Anzahl der 4-Eingangs-LUTs
Anzahl der FIFO16/RAMB16s
70131
109008
116749
164
von
von
von
von
89088
178176
178176
336
79%
61%
65%
48%
Tabelle 5.2: MD5 Brute-Force: FPGA Ressourcen-Nutzung – Mitrion
Obwohl die Ergebnisse vermuten lassen, dass noch eine weitere Pipeline implementierbar ist, konnte die
Verdrahtung des entsprechenden Designs wegen Timing-Fehlern nicht erfolgreich beendet werden. Auch
durch Anpassung der Synthese-Parameter konnten keine vier Pipelines implementiert werden. Hinzu
kommt, dass ein Ergebnis erst nach der Durchsuchung des gesamten Zeichenraums (aller Zeichenkombinationen) zur Verfügung steht, wodurch sich die durchschnittliche Suchzeit verdoppelt. Ein bis zur
70
5. FALLBEISPIELE
Version 2.0.1 nicht vorhandenes Mitrion-C-Sprachkonstrukt zur vorzeitigen Beendung des Algorithmus
würde dieses Problem beseitigen.
5.4.3 Vergleich der MD5-Implementierungen
Die für die RASC-Plattform vorgenommenen Implementierungen verwenden beide in etwa gleich viele Logik-Ressourcen, wobei das Mitrion-C-Design dreimal soviele Block-RAM-Ressourcen benötigt.
In beiden Fällen sind noch über 20% der FPGA-Fläche ungenutzt. Während mit der aktuellen Version von Mitrion keine weitere MD5-Pipeline in das Design integriert werden kann, sollte es für den
VHDL-Entwurf (durch anderes Synthese-Tool, Änderung im Entwurf) möglich sein. Tabelle 5.3 zeigt
die Performance beider Implementierungen.
parallele Pipelines
M Hashes/s (theoretisch)
M Hashes/s (gemessen)
Effizienz
[email protected]
1
2
3
100
200
300
100
200
288
100% 100% 96%
[email protected],6MHz
3
8
440
1173
440
1173
100%
100%
Tabelle 5.3: Leistungsvergleich der MD5-Hardware-Implementierungen
Bei der Mitrion-Umsetzung ist ein leichter Rückgang der Effizienz mit drei Pipelines zu erkennen. Dies
könnte daran liegen, dass die Generierung des Klartextes aus Timing-Gründen mit mehr Pipelines verändert werden muss. Eine exakte Aussage darüber kann jedoch aufgrund des compiler-generierten Designs
nicht getroffen werden. Die Effizienz der VHDL-Umsetzungen liegt konstant bei rund 100%. Auch die
Generierung und Rückgewinnung des Klartextes bleibt hinsichtlich ihrer Ressourcen-Ausnutzung nahezu unabhängig von der Anzahl der Pipelines.
Ein Vergleich der vorgenommenen Hardware-Implementierungen mit Software-Umsetzungen auf Grafikkarten und CPUs zeigt Abbildung 5.7. Die Messungergebnisse der Nvidia-Grafikprozessoren wurden [AD09] entnommen, während die MD5-Brute-Force-Performance der Prozessoren AthlonX2 5000+
und Core2Duo E8400 und des Grafikprozessors Radeon 3850 mit BarsWF MD5 BruteForcer v0.8 auf
normalen Desktop-Rechnern gemessen wurde. Der Test des Intel Itanium 2 Prozessors basiert auf der
xyssl-Bibliothek, welche auch als Grundlage für die Hardware-Implementierungen verwendet wurde
und keine Optimierungen hinsichtlich Befehlsatzerweiterung moderner Prozessoren nutzt. BarsWF 0.8
hingegen gilt derzeit als die schnellste Software-Lösung zur Brute-Force-Suche von MD5-Hashes und
unterstützt ausschließlich Prozessoren mit der SSE2-Erweiterung. Zudem liegt es auf CUDA oder Brook
basierend zur Nutzung von Grafikkarten vor.
Werden 67 verschiedene Zeichen (Groß-/Kleinbuchstaben, Ziffern, fünf Sonderzeichen) und eine Wort-
5.5. DAMENPROBLEM
71
RC100-FPGA
VHDL
Mitrion
RC100-FPGA
GeForce 8800GTX2
BarsWF 0.8
GeForce GTX 280
BarsWF 0.8
Radeon 3850
BarsWF 0.8
Core2Duo [email protected]
BarsWF 0.8
Athlon [email protected],8GHz
BarsWF 0.8
[email protected],6GHz
xyssl
0
100
200
300
400
500
600
700
800
900
1000
1100
1200
Millionen MD5-Hashes pro Sekunde
Abbildung 5.7: MD5 Brute Force – Performance Vergleich
länge von acht Zeichen betrachtet, können daraus 678 verschiedene Wörter gebildet werden. Die schnellste hier vorgestellte Implementierung (VHDL-Entwurf auf RC100-FPGA) benötigt maximal 4,1 Tage um
das Klartextwort zu so einem MD5-Hash zu finden. Bei einer Länge von zehn Zeichen lässt es sich mit
64 FPGAs im Durchschnitt in etwa 21 Wochen ermitteln. Auf MD5 basierende Passwörter aus zwölf
Zeichen sind dagegen nach aktuellem Kenntnisstand für hinreichend lange Zeit sicher vor solchen Angriffen. Tabelle 5.4 zeigt eine Übersicht der maximalen Suchdauer von Klartextworten verschiedener
Länge zu MD5-Hashes durch die schnellste hier betrachtete Implementierung.
Wortlänge
6
6
8
8
8
10
10
Zeichenraum
a-z, A-Z
95 ASCII-Zeichen
a-z, A-Z
a-z, A-Z, 0-9, 5 Sonderzeichen
95 ASCII-Zeichen
a-z, A-Z
95 ASCII-Zeichen
maximale Suchdauer
17,4 Sekunden
10,8 Minuten
13,1 Stunden
4,1 Tage
9,7 Wochen
4,0 Jahre
1673 Jahre
Tabelle 5.4: Maximale Suchdauer MD5-basierter Passwörter (VHDL-Implementierung)
5.5 Damenproblem
Beim klassischen Damenproblem sollen acht Damen auf einem typischen Schachbrett (8 × 8 Felder) so
positioniert werden, dass sich keine zwei davon nach den Schachregeln in einem Zug schlagen können.
Die Figurenfarbe ist dabei irrelevant und als Annahme gilt, dass jede Figur eine beliebige andere schlagen
könnte. Um eine Lösung zu finden, dürfen demnach keine zwei Damen in der gleichen Reihe, Spalte oder
Diagonale plaziert werden. Abbildung 5.8 zeigt eine Plazierung, die diesen Anforderungen genügt. Für
das klassische Damenproblem gibt es 92 Lösungen. Wenn solche, die durch Spiegeln oder Rotieren des
72
5. FALLBEISPIELE
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
Abbildung 5.8: Eine Lösung des Acht-Damenproblems
Brettes aufeinander abgebildet werden können, nur einmal gezählt werden, verbleiben zwölf eindeutige
Lösungen. Ausgehend von diesen könnte erwartet werden, dass durch vier möglichen Drehungswinkel
und vier Spiegelungen 12·8 = 96 Lösungen existieren. Da jedoch einige Plazierungen selbstsymmetrisch
sind und beim Drehen in sich selber übergehen, verringert sich die Lösungsmenge (vgl. [PNS] - Fakten).
Das Problem lässt sich auf die Plazierung von N Damen auf einem N × N Schachbrett verallgemeinern,
wobei nur Lösungen für N = 1 und N ≥ 4 existieren. Die eigentliche Problemstellung sucht nach der
Anzahl der Lösungen für ein Damenproblem und damit nach allen möglichen Plazierungen, die den angegebenen Anforderungen genügen. Bis heute ist keine Formel zur Berechnung des N-Damenproblems
bekannt. Als obere Schranke für die Lösungsanzahl gilt jedoch N Fakultät (N!), was die Anzahl für N
einander nicht bedrohender Türme ist.
Aus dem Mangel an einer Berechnungsformel zur Ermittlung der Lösungen, kommen anstelle dessen Algorithmen zum Einsatz. Die meisten schnellen Implementierungen arbeiten mit dem sog. BacktrackingVerfahren. Dabei wird nach dem Versuch-und-Irrtum-Prinzip (engl. trial and error) vorgegangen, d.h. es
wird versucht eine erreichte Teillösung schrittweise zu einer Gesamtlösung auszubauen. Kann eine Teillösung nicht zu einer Gesamtlösung führen, wird der letzte Schritt rückgängig gemacht und stattdessen
ein alternativer Weg verfolgt. Es werden alle in Frage kommenden Lösungswege ausprobiert und damit
auch alle Lösungen gefunden. Backtracking arbeitet damit nach dem Prinzip der Tiefensuche.
Im Folgenden sollen der Algorithmus allgemein und die VHDL- und Mitrion-C-Implementierung eines
Backtracking-Algorithmus vorgestellt werden. An dieser Stelle soll weniger die exakte Umsetzung des
5.5. DAMENPROBLEM
73
Algorithmus in Hardware/VHDL, als dessen Prinzip und die Schnittstelle zu RASC betrachtet werden.
Anschließend wird die erreichte Performance der einzelnen Implementierungen verglichen.
5.5.1 Backtracking-Algorithmus und Parallelisierung
An dieser Stelle soll kurz erklärt werden, wie ein Algorithmus arbeitet, der alle Lösungen eines Damenproblems mit dem Backtracking-Verfahren findet. Es wird angenommen, dass die Tiefensuche spaltenweise vorgenommen wird. Das Nassi-Shneiderman-Diagramm in Abbildung 5.9 zeigt das Prinzip des
Algorithmus. Hierbei muss beachtet werden, dass freie (durch keine Dame bedrohte) Felder in einer
Spalte nur in eine Richtung (nach oben oder unten) besetzt werden können. Dies ist beim Rückspringen
von Bedeutung, weil die dort bereits plaziert Dame nur auf freie Felder in der vereinbarten Richtung
gesetzt werden darf. Beim Backtracking muss eine Dame entfernt werden, wenn zweimal hintereinander
nicht gesetzt bzw. umgesetzt werden konnte.
while(Spalte > 0)
ja
freies Feld in aktueller Spalte
vorhanden
nein
(entferne Dame)
setze Dame auf nächstes freies Feld
letzte Spalte
ja
Spalte = vorletzte Spalte
nein
Spalte++
Spalte--
Lösung++
Abbildung 5.9: Damenproblem Backtracking-Algorithmus
Während ein naiver Brute-Force-Algorithmus für das klassische Damenproblem 64·63·62·61·60·59·58·
57 (fast 60, 58 ) Plazierungen vornimmt und zusätzlich deren Gültigkeit überprüft, setzt eine effizientere
Variante in jeder Spalte nur eine Dame (88 Plazierungen). Das Backtracking-Verfahren kann als sehr
effizienter Brute-Force-Algorithmus angesehen werden und reduziert die durchgeführten Plazierungen
noch einmal deutlich auf unter acht Fakultät (8!). Eine der heute noch schnellsten Software-Lösungen des
N-Damenproblems wurde von Jeff Somers in der Programmiersprache C geschrieben (siehe [Som02]).
Eine Übersicht der Lösungen einiger bisher berechneter Damenprobleme bietet Tabelle 5.5.
Eine Tiefensuche eignet sich hervorragend zur Parallelisierung, was bei den hier betrachteten Implementierungen mit Vorbelegungen von Spalten vorgenommen wurde. Dabei werden Damen bereits konfliktfrei in den ersten Spalten plaziert und das Problem in Teilbäume aufgegliedert. Mit steigender Anzahl
vorplazierter Spalten steigt auch die Anzahl versteckter Konflikte, wodurch einige Teilbäume zu keiner
Lösung mehr führen. Zudem erhöht sich der Berechnungsaufwand für die Vorplazierungen, während er
für die Teilprobleme sinkt. Eine genauere Betrachtung dieses Problems wird in [PNS09] vorgenommen.
74
5. FALLBEISPIELE
N
eindeutige Lösungen
alle Lösungen
1
1
1
5
1
10
8
12
92
15
2,85053E5
2,279184E6
19
6,21012754E8
4,968057848E9
22
3,36376244042E11
2,691008701644E12
23
3,029242658210E12
2,4233937684440E13
24
2,8439272956934E13
2,27514171973736E14
25
2,75986683743434E14
2,207893435808352E15
26
?
?
Tabelle 5.5: Lösungen einiger N-Damenprobleme
Das [email protected], und damit auch die hier betrachteten Implementierungen, verwenden sechs
vorplazierte Spalten, um das 26-Damenproblem in Teilprobleme aufzuspalten. Dies hält den Kommunikationsaufwand gering und halbiert zudem noch die zu berechnenden Teilprobleme durch die sich an
der Mitteldiagonalen spiegelnden, paarweise identischen Lösungen. Die sechs Damen der Vorplazierung
können in 25.204.802 Konfigurationen aufgestellt werden, wodurch sich die daraus ergebenden Teilprobleme über Lösungsinstanzen (engl. Solver) unabhängig voneinander berechnen lassen.
5.5.2 VHDL-Implementierung
Das VHDL-Design basiert, wie alle schnellen Algorithmen zur Lösung des Damenproblems, auf dem
Backtracking-Verfahren. Um möglichst feingranulare Parallelität zu erreichen und die Dauer der Lösung einzelner Teilprobleme gering zu halten, wurde eine an die Hardware (FPGA) angepasste Implementierung vorgenommen (siehe [PNS09]). In Software und auch bei der vorgenommenen Mitrion-CImplementierung wird mit Feldern (engl. arrays) von Blockierungsvektoren (drei pro Spalte) gearbeitet,
während sich für die Hardware-Umsetzung drei globale Vektoren für diagonal steigende, horizontale
und diagonal fallende Blockierungen als effizienter erwiesen haben. Damit gilt immer nur eine Spalte
als aktiv. Bei einem Rücksprung wird dann nicht die für diese Spalte bereits erzeugte Blockierung aus
dem Speicher geladen, sondern durch Anpassung der globalen Blockierung erneut erzeugt. In Hardware
ist das in einem Takt möglich und kann über Schieberegister mit geringem Ressourcenaufwand realisiert
werden.
Während frühere Hardware-Solver (Komponent zur Berechnung eines Teilproblems) eine Dame pro Takt
setzen und damit ein Teilproblem schneller berechnen konnten, wird in der aktuellen Implementierung in
einem Takt entweder eine Spalte zurückgesprungen oder eine Dame gesetzt, um im folgenden Takt mit
5.5. DAMENPROBLEM
75
XC4VLX200
XC4VLX200
Damenproblem
VHDL-Core
Host
Server
DB
SGI
Altix
4700
Host
Core Services
ADR1
FIFO
KommunikationsInterface
QSlice #0
QSlice #s
ADR2
FIFO
ADR5
Abbildung 5.10: Infrastruktur und RASC-Anbindung von [email protected]
der nächsten Spalte fortzufahren. Diesen Geschwindigkeitsverlust gleichen die aktuellen Solver (oder
Lösungsinstanzen) mit geringerem Ressourcenbedarf und einem kürzeren kritischen Pfad aus. Dadurch
kann das Gesamt-Design mit höheren Taktfrequenzen betrieben werden und mehr Teilprobleme gleichzeitig berechnen. Die feinere Granularität der Solver ermöglicht zudem noch eine bessere Ressourcenausnutzung des FPGA.
Die wesentliche Aufgabe für diese Arbeit bestand in der Adaption des Damenproblem-Hardware-Designs
an die SGI RASC Plattform. Abbildung 5.10 zeigt den prinzipiellen Aufbau und die Infrastruktur des
[email protected] Die Kommunikationsschnittstelle und damit die RASC-Anbindung wurde hervorgehoben.
Es stehen zwei Xilinx Virtex-4-LX200-FPGAs (ein RC100-Blade, vgl. Abschnitt 3.2), welche in die SGI
Altix 4700 (vgl. Abschnitt 3.1) integriert sind, zur Verfügung. Auf einem zentralen Server beinhaltet
eine Datenbank alle ausstehenden und bereits berechneten Teilprobleme. Auf den Hosts läuft eine JavaAnwendung, welche noch nicht berechnete Vorplazierungen anfordert, die Kommunikation mit einem
oder mehreren FPGAs durchführt, um schließlich gelöste Teilprobleme wieder an die Datenbank zu
senden. Im Falle von RASC wird die Ansteuerung der FPGAs über das Java Native Interface (JNI) und
die RASC C-Bibliothek (vgl. Abschnitt 3.4.1) vorgenommen. Der Quellcode der Damenproblem-JavaSchnittstelle für SGI RASC ist in A.16 gelistet, die zugehörigen nativen C-Funktionen in A.15.
Als RASC Kommunikationsvariante werden Memory Mapped Registers verwendet. Die Implementierung erfolgt ähnlich wie in Abschnitt 5.3.1 bereits erläutert. Es werden ein Eingangs- und vier Ausgangregister verwendet, um gleichzeitig zwei Teilprobleme empfangen und mit Lösung wieder zurückschicken zu können. Auf der Eingangsseite werden die empfangenen Werte jeweils in zwei Takten hintereinander in einen 32 Bit breiten und 256 Elemente tiefen Block-RAM-FIFO geschrieben, um bei Bedarf
vom Damenproblem-Topmodul gelesen zu werden. Auf der Ausgangsseite übernimmt ein ebenso tiefer,
76
5. FALLBEISPIELE
Slices
FFs
LUTs
BRAM
Kommunikation
5835 (7%)
6930 (4%)
6896 (4%)
14 (4%)
Damenproblem
70370 (79%)
106217 (60%)
129880 (73%)
0
Gesamtdesign
76205 (86%)
113147 (63%)
136776 (76%)
14 (4%)
verfügbar
89088
178176
178176
336
Tabelle 5.6: 26-Damenproblem: Ressourcen-Nutzung – VHDL
aber 96 Bit breiter Block-RAM-FIFO die Pufferung der Werte (Vorplazierung+Lösung). Eine minimale
Ressourceneinsparung wäre noch durch exakte Anpassung der ADRs und FIFOs an die wirklich benötigten Bitbreiten (29 Bit für die Vorplazierung und 46 Bit für die Lösung) möglich. Durch die Verwendung
von Block-RAM kosten die tiefen FIFOs kaum Ressourcen und können für den unwahrscheinlichen
Fall, dass alle Teilprobleme mit der Berechnung gleichzeitig fertig werden, die Lösungen puffern und
neue Vorplazierungen bereitstellen. Die Blöcke zwischen den FIFOs und ADRs stellen die Empfangsund Sendelogik dar. Insgesamt bleibt der Ressourcenbedarf des Kommunikationsmoduls unter 1% der
FPGA-Fläche, wobei für die gesamte Kommunikation noch die Ressourcen der Core Services hinzukommen. Eine Übersicht der Ressourcenausnutzung der kompletten Damenproblem-Implementierung bietet
Tabelle 5.6.
Die Host-Anwendung initiiert durch periodische Anfragen (engl. Polling) die Lösungsübertragung. Dabei wird zur Entlastung der Kommunikation nach einer erfolglosen Anfrage 30 Sekunden gewartet. Für
jede empfangene Lösung wird wieder eine Vorbelegung an den FPGA gesendet.
Weder das Direct Streaming noch die Kommunikation über den SRAM eignen sich zur Integration in die
[email protected], da sie keinen dauerhaften Betrieb mit zwischenzeitlicher Ergebnisabfrage
erlauben. Daten werden hier pro Durchlauf einmal gesendet und empfangen. Zwischen den Durchläufen
wird das Taktsignal des Algorithmus angehalten und das Reset-Signal aktiviert. Damit würden alle sich
in Berechnung befindenden Teilprobleme abgebrochen. Hinzu kommt, dass Teilprobleme als verloren
gelten, wenn ihre Berechnung zu lange dauert. Werden nun sehr viele Teilprobleme gleichzeitig an den
FPGA gesendet, um die Solver gut auszulasten, werden auch alle Lösungen gleichzeitig zurückgeschickt.
Benötigt diese Gesamtberechnung zuviel Zeit, gelten die Lösungen als verloren. Außerdem würden alle
in einem Durchlauf bereits berechneten Teillösungen bei einem Systemabsturz verloren gehen. Werden
hingegen weniger Teilprobleme pro Durchlauf verarbeitet, sinkt die Auslastung der Solver durch die Einund Auslaufphase.
Das Design kann bis zu 148 Teilprobleme gleichzeitig berechnen und arbeitet mit einer Taktfrequenz
von 126, 6MHz , was laut [PNS] 148 · 126, 6 ≈ 187SE (Slice Äquivalenten/auf 100MHz Löserinstanzen) entspricht. Eine schnellere Taktung verhindert das als Baumstruktur realisierte Verteilungsnetzwerk,
welches die FIFOs mit den Solvern verbindet. Die großen Virtex-4 FPGAs ermöglichen die Implemen-
5.5. DAMENPROBLEM
77
tierung sehr vieler Solver, wodurch sich der kritische Pfad des Verteilungsnetzwerkes verlängert. Eine
Verringerung der Taktfrequenz von ausschließlich dieser Komponente, könnte das Gesamt-Design noch
einmal beschleunigen.
5.5.3 Implementierung mit Mitrion-C
Der Mitrion-C-Programmcode wurde von einer C-Implementierung abgeleitet, die dem Algorithmus
von Jeff Somers sehr ähnlich ist. Eine erste funktionierende Formulierung des Algorithmus in Mitrion-C
erforderte etwa 20 Stunden Arbeitszeit und brachte den in Anhang A.12 gelisteten Quellcode. Er beschreibt im Wesentlichen einen einfachen Backtracking-Algorithmus zur Lösung eines Teilproblems,
welches in Form einer Vorplazierung übergeben wird. Daraus werden die Blockierungsvektoren und die
noch zu testenden freien Felder der ersten betrachteten Spalte ermittelt (Zeilen 22 bis 49). Die memcreate-Anweisungen allokieren Block-RAM und ersetzen die Funktionalität von Arrays aus typischen
Programmiersprachen. Die tuple-Anweisungen fasst mehrere Speichertoken zusammen, da in Mitrion-C
nur ein Speichertoken aus einer Blockanweisung propagiert werden kann, für diese Implementierung
allerdings mehrere benötigt werden. Die untup-Anweisung entpackt die Elemente wieder aus einem Tuple. Für das 26-Damenproblem betrachtet die WHILE-Schleife genau 20 Spalten. Sie beinhaltet zwei
ineinander geschachtelte Bedingungen. Die Erste überprüft, ob eine Spalte noch freie Felder (keine
Dame wurde zuvor versucht zu plazieren und nicht blockiert) enthält. Ist dies nicht der Fall, wird zurückgesprungen. Ansonsten wird mit der zweiten Bedingung überprüft, ob es sich um die letzte Spalte
handelt und ggf. die Lösung gezählt oder aber die Blockierungen und die freien Felder angepasst. Der
Mitrion-C-Bandbreitengraph für ein Teilproblem ist im Anhang A.13 zu finden und gibt die kritischen
WHILE-Schleife mit einer Latenz von 15 Takten an.
Für die gleichzeitige Berechnung von 20 Test-Vorbelegungen benötigte die daraus entstandene HardwareUmsetzung fast drei Stunden (VHDL-Umsetzung benötigte knapp 13 Minuten) und es konnten nur etwa
20 Teilprobleme auf einem FPGA gleichzeitig verarbeitet werden. Zu beachten ist, dass die Vorbelegung
mit der längsten Berechnung die dominierende ist und damit die Gesamtdauer bestimmt.
Dieses enttäuschende Ergebnis, welches langsamer als jeder Software-Algorithmus war, führte zu drei
wesentlichen hardwarespezifischen Optimierungen (vgl. Quellcode A.14). Schreib- und Leseoperationen
der Blockierungsvektoren wurden zu einer Operation zusammengefasst, was zum einen Block-RAMRessourcen einsparen konnte und zum anderen die Latenz der Schleife verringerte. Desweiteren wurden die benötigten Bitbreiten mittels Parametern an die Problemgröße angepasst, was wiederum FPGARessourcen einsparen konnte. Als zusätzliche Optimierung wurden die Anpassung der Blockierung und
des nächsten freien Feldes in einer Spalte aus der innersten Bedingungsanweisung herausgezogen und in
78
0
5
10
15
20
5. FALLBEISPIELE
//------------------------ Summary: Bandwidth Graph -------------------------ROOT
| l: 6.0 ch: 6 rch : 6 BW limited. body ch: 6 rch: 6
|--1
| iterations: 1
|
Env/main/foreach<1>
| l: 1.0 ch: 1 rch : 6 BW limited. body ch: 1 rch: 6
|--2
| iterations: 6
|
Env/main/foreach[1]/solveQ26/for<6>
| l: 12.0 ch: 6 rch : 6 Latency limited dataloop. body latency: 2.0
|--3
| iterations: 1
|
Env/main/foreach[1]/solveQ26/while
| l: 11.0 ch: 1 rch : 6 Latency limited dataloop. body latency: 11.0
//---------------------- End Summary: Bandwidth Graph -----------------------51 MemRead 7: 0x0ad0202e00008751001 // Blockierung aktuelle Spalte lesen
52 MemRead 7: 0x3002fdc
// noch zu testende Felder lesen
56(11) Watch slot: 0x3002fdc
// Lesevorgang beendet
57(11) Watch cslots: 0x3002fd8
// Felder der aktuellen Spalte anpassen
58 MemWrite 7: 0x3002fd8
// ... schreiben
58 MemWrite 8: 0x0568125c00030751005 // Blockierung naechsten Spalte schreiben
59(11) Watch slots_nc: 0x28a87e0
// freie Felder der naechsten Spalte
60 MemWrite 8: 0x28a87e0
// ... schreiben
62 MemRead 8: 0x0568125c00030751005 // naechster Durchlauf
Auflistung 5.5: Damenproblem – Mitrion-C Bandbreitengraph nach der Optimierung
einer separaten Bedingung untergebracht, um die Logiktiefe zu verringern. Die Berechnung der gleichen
Test-Vorbelegungen benötigte nach der Optimierung 1 Stunde und 48 Minuten, wobei 50 Teilprobleme
gleichzeitig verarbeitet werden können. Der zugehörige Bandbreitengraph und einige Debug-Ausgaben
sind in Listing 5.5 dargestellt. Die kritische Schleife wird mit nun noch elf Takten Latenz angegeben.
Werden zusätzlich die Debug-Ausgaben für den Schleifenrumpf betrachtet, kann der kritische Pfad mit
zehn Takten Latenz abgelesen werden. Ein Takt wird zur Auswertung der Schleifenbedingung benötigt.
Es gibt drei wesentliche Unterschiede zur VHDL-Implementierung. Der VHDL-Entwurf ermöglicht die
gleichzeitige Bearbeitung von über 140 Teilproblemen und arbeitet mit einer baumförmigen Verteilungsstruktur, um die Lösungsinstanzen mit Vorplazierungen zu versorgen. Die Mitrion-C-Lösung weist jeder
Lösungsinstanz eine gewisse Anzahl von Vorbelegungen fest zu. Durch die unterschiedliche Verarbeitungszeit von Teilproblemen dominiert immer eine Lösungsinstanz (mit der längsten Rechenzeit) die
Gesamtberechnung. Dadurch geht etwa die Hälfte der Verarbeitungsleistung verloren, wenn pro Durchlauf jeder Löser nur ein Teilproblem berechnet. Desweiteren sind die Lösungsinstanzen in der VHDLImplementierung schneller.
Einen Optimierungsansatz bilden die Blockierungsvektoren und die noch freien Felder in einer Spalte, welche wie in Software-Algorithmen für jede Spalte gespeichert werden. Die derzeitige Mitrion-CImplementierung nutzt an dieser Stelle Block-RAM. Das erhöht die Latenz der Schleife drastisch, da zum
5.5. DAMENPROBLEM
79
[email protected]
VHDL
Virtex-4 [email protected]
Stratix II [email protected]
Virtex-5 [email protected]
Spartan-3 [email protected]
[email protected]
Mitrion
Phenom [email protected],5GHz
Dual-Core [email protected],4GHz
[email protected],6GHz
0
50
100
150
200
250
300
350
400
450
500
550
Teilprobleme pro Stunde
Abbildung 5.11: 26-Damenproblem – Leistungsvergleich (10 Stunden) von FPGAs und CPUs
einen die parallele Ausführung von Bedingungsprüfung und den beiden Zweigen nicht möglich ist und
zum anderen die Zugriffe auf den Block-RAM bei Mitrion mehr Zeit als auf normale Register kosten. Die
Block-RAM-Nutzung senkt allerdings auch den Bedarf an Flipflops, wodurch mehr Lösungsinstanzen
implementiert werden können. Globale Blockierungsvektoren und eine andere Lösung zur Ermittlung
der bereits gesetzten Damen wären Verbesserungsansätze. Allerdings müssten alle Block-RAM-Zugriffe
in der WHILE-Schleife vermieden werden, um eine signifikante Leistungssteigerung zu erzielen. An
dieser Stelle konnte der Mitrion-Support auch keine echten Optimierungsmöglichkeiten zur Erhöhung
der Verarbeitungsleistung finden.
5.5.4 Performance
Da die Berechnungszeit eines Teilproblems stark von der zugehörigen Vorplatzierung abhängt, ist es
schwierig, genaue Vergleiche zwischen Implementierungen zu ziehen. Der Damenproblem-VHDL-Core
läuft auf den Virtex-4 FPGAs des RC100-Blades meist über einen längeren Zeitraum und ist an die
Infrastruktur des [email protected] angeschlossen. Ein dem Algorithmus von Jeff Somers ähnliches C-Programm wird genutzt, um zeitweise Prozessoren parallel dazu rechnen zu lassen. Damit kann
die Performance von CPUs und der VHDL-Implementierung der RC100-FPGAs und anderer FPGAs
gut verglichen werden. Ein gewisser Zufallsfaktor kommt aber dennoch hinzu, da jede Löserinstanz
verschiedene Teilprobleme (mit unterschiedlichem Rechenaufwand) berechnet. Über einen ausreichend
langen Zeitraum sollte dieser Faktor aber vernachlässigbar sein. Abbildung 5.11 zeigt die Messergebnisse für einen Zeitraum von zwölf Stunden. Test-Vorbelegungen wurden genutzt, um die Mitrion-C- und
VHDL-Implementierung vergleichen zu können, wodurch letztendlich auch ein Gesamtvergleich aller
Implementierungen möglich wird.
80
5. FALLBEISPIELE
Das VHDL-Design zur Berechnung des 26-Damenproblems erreicht insbesondere auf den großen FPGAs
deutliche Geschwindigkeitsgewinne im Vergleich zu auf CPUs laufenden Software-Lösungen. Die Implementierung mit Mitrion ist in etwa so schnell wie der AMD Phenom Vierkern-Prozessor. Wenn die
Optimierungsvorschläge aus Abschnitt 5.5.3 (letzter Absatz) umgesetzt würden, wäre womöglich noch
ein Faktor zwei bis drei an Geschwindigkeitsgewinn denkbar, dennoch wird das Mitrion-Design weit
hinter einer VHDL-Implementierung des Damenproblems liegen.
81
6 Auswertung
In den vorangegangenen Kapiteln wurde die RASC-Plattform genauer untersucht und anhand von Fallbeispielen Praxistests durchgeführt. Auf diesen Fakten und Messergebnissen aufbauend soll überblicksweise das Leistungsvermögen des Systems eingeschätzt und auch Schwächen aufgedeckt werden. Zudem
werden in Abschnitt 6.2 die mit den beiden Programmiermöglichkeiten Mitrion-C und VHDL gewonnenen Ergebnisse und Erfahrungen ausgewertet. Als Kriterien dienen die quantifizierbaren Metriken Entwicklungszeit und Performance und zusätzlich der Ease-of-Use, die Debugging-Möglichkeiten und die
Fehleranfälligkeit. In Abschnitt 6.1 wird zuvor noch untersucht, welche Anwendungen zur Beschleunigung durch FPGA-basierte Systeme geeignet sind und welches Beschleunigungspotenzial theoretisch
vorhanden ist. Als Ergebnis der Auswertung wird in Abschnitt 6.3 betrachtet, inwiefern sich der Implementierungsaufwand bei den erreichten Ergebnissen mit Mitrion-C und VHDL rechtfertigt und in welchem Verhältnis Entwicklungszeit und Performance stehen. Schließlich werden in Abschnitt 6.4 Mängel
von SGI RASC angegeben und Verbesserungsvorschläge gemacht.
6.1 Anwendungsbeschleunigung durch FPGAs
Überlicherweise werden durch Zusatz-Hardware keine kompletten Anwendungen beschleunigt, sondern
nur Routinen oder Algorithmen, welche die Gesamtlaufzeit dominieren. Um das Beschleunigungspotenzial und damit die erreichbare Performance ermitteln zu können, müssen vor der Umsetzung einige
Faktoren untersucht werden:
• Vorhandensein von Schlüsselroutinen
• Intensität der Berechnung (Verhältnis von Berechnungen zu Kommunikation)
• Datenformat/Datenorganisation (Datentransfer zwischen Host und FPGA, Bereitstellungsaufwand)
• Spezialoperationen, z.B. Fließkommaoperationen oder spezielle mathematische Operationen
Ein nicht zu vernachlässigender Faktor ist der zusätzliche Kommunikationsaufwand zwischen dem Hostprogramm und dem Hardware-Beschleuniger. Dieser kann zwischen verschiedenen Anwendungen stark
schwanken und in einigen Fällen sogar ein Flaschenhals sein, wodurch keine Beschleunigung der Ge-
6. AUSWERTUNG
Geschwindigkeitsgewinn - Anwendung
82
FPGA Anteil
1
0,99
0,98
0,95
0,9
0,8
1000
100
10
1
1
2
4
8
16
32
64
128
256
512
1024 2048 4096
Geschwindigkeitsgewinn - FPGA
Abbildung 6.1: Geschwindigkeitsgewinn einer durch FPGAs beschleunigten Anwendung
samtanwendung möglich ist. Ein sehr hohes Beschleunigungspotenzial bieten Anwendungen mit vernachlässigbarem Kommunikationsaufwand und einer gut parallelisierbaren Schlüsselroutine, dessen Berechnungsaufwand die Gesamtlaufzeit dominiert.
Der Geschwindigkeitsgewinn einer Anwendung unterliegt auch bei der Verwendung von HardwareBeschleunigern dem Gesetz von Amdahl. Das Diagramm 6.1 verdeutlicht die erreichbare PerformanceSteigerung, wenn nur ein Teil (der Ausführungszeit) einer Anwendung durch den FPGA beschleunigt
wird. Es ist zu erkennen, dass auch eine hohe Beschleunigung der Schlüsselroutine nur dann die Performance der Gesamtanwendung deutlich verbessern kann, wenn die Laufzeit des auf den FPGA ausgelagerten Teils zuvor die Gesamtrechenzeit dominiert hat.
6.2 Vergleich von Mitrion-C und VHDL (RASC-Programmierung)
Mit der Verwendung von Mitrion-C und VHDL werden in dieser Arbeit zwei vollkommen verschiedene
Herangehensweisen zur Anwendungsbeschleunigung verglichen. In der Hochsprache Mitrion-C wird ein
Algorithmus, wie in typischen prozeduralen Programmiersprachen, auf funktionaler Ebene beschrieben
und durch einen Compiler (und dem Konzept des MVP, vgl. Abschnitt 4.1.2) in eine Hardwarebeschreibung überführt. Mit VHDL hingegen wird nicht der Algorithmus beschrieben, sondern die Hardware,
welche den Algorithmus ausführen soll. Dementsprechend findet eine Algorithmusbeschreibung auf unterschiedlichem Abstraktionsniveau statt.
6.2. VERGLEICH VON MITRION-C UND VHDL (RASC-PROGRAMMIERUNG)
83
Die Verwendung von Mitrion-C zur Programmierung der RASC-Plattform bringt zwei grundlegende
Einschränkungen mit sich. Dies ist zum einen die festgelegte Taktfrequenz des erzeugten HardwareDesigns auf 100 MHz und betrifft zum anderen die RASC-Kommunikationsmöglichkeiten, welche nicht
in vollem Umfang genutzt werden können (siehe Abschnitte 5.1, 5.2.1 und 5.3).
Im Folgenden soll die Entwicklungszeit und die Performance der vorgenommenen Implementierungen
der Fallbeispiele genauer betrachtet werden, um später Aufwand und Nutzen abschätzen zu können.
Ease-of-Use, Debugging-Möglichkeiten und Fehleranfälligkeit sollen einen Einblick in den Programmiervorgang verschaffen, ohne einen zahlenmäßigen Vergleich der Sprachen vorzunehmen.
6.2.1 Entwicklungszeiten
Die Entwicklungszeiten können im Umfang dieser Arbeit nur abgeschätzt werden, da eine statistische
Grundlage mit einer Vielzahl von Programmierern und Programmbeispielen nicht vorgenommen werden
konnte. In die Betrachtung sollen zusätzlich noch die Einarbeitungszeiten mit einfließen. Neben den zeitlichen Unterschieden bei der Implementierung gibt es auch gemeinsame Entwicklungsaspekte, welche
am Ende des Abschnitts kurz besprochen werden.
Die für die Micro-Benchmarks angefallenen Entwicklungszeiten können verhältnismäßig genau angegeben werden, da sie im Umfang dieser Arbeit erstellt wurden und keinen komplexen Algorithmus implementieren. Für beide Sprachen bestand die Aufgabe im Wesentlichen in der Ansteuerung der hardwareseitigen Schnittstelle der RASC-Plattform (Core Services). Bei Mitrion-C fällt für diesen Punkt
nahezu keine Entwicklungszeit an, da die für den Nutzer sichtbare Schnittstelle die Übergabeparameter der Main-Funktion sind. Diese werden wie normale Typen (hier Speicher, Streams oder Variablen)
gehandhabt.
Bei der Verwendung von VHDL hingegen müssen zum einen Wrapper-Module und Konfigurationsdateien erzeugt und zum anderen die Ansteuerung der Schnittstelle zu den Core Services (vgl. Abschnitte
5.2.1 und 5.1.1) vorgenommen werden. Der zeitliche Aufwand für die reine Implementierung ist mit etwa
einer Stunde Arbeitszeit zu bewerten, wenn das Algorithmus-Konfigurations-Tool (vgl. Abschnitt 3.4.4)
verwendet wird und die Schnittstellenspezifikation bekannt ist. Andernfalls muss zuvor die Spezifikation studiert und Tests durchgeführt werden, um eine funktionsfähige Hardware-Umsetzung zu erhalten.
Dies hat bei jeder Kommunikationsvariante einige Tage in Anspruch genommen, da insbesondere das
Timing der von den Core Services bereitgestellten Signalen problematisch war. Die finalen Implementierungen können jedoch mit wenigen Modifikationen auf andere Beispiele übertragen werden, wodurch
ein Großteil des Entwicklungsaufwandes für diese Schnittstellenbeschreibung nur einmal anfällt. Die
Datenmanipulation lässt sich dann in VHDL ebenso schnell und knapp wie in Mitrion-C beschreiben.
84
6. AUSWERTUNG
Nach Angaben der Entwickler (vgl. [PNS09]) konnte eine erste funktionsfähige VHDL-DamenproblemImplementierung in nur drei Stunden erstellt werden. Das aktuelle Design ist aber in einem iterativen
Prozess entstanden, bei der jede Überarbeitung erneute Vorüberlegungen und Neuimplementierungen
mit sich gebracht hat. Hinzu kommt die Anbindung an die RASC-Plattform, welche ungefähr einen Tag
in Anspruch genommen hat und durch Änderungen am Design und neue Anforderungen mehrfach angepasst wurde. Aus einem C-Programm abgeleitet konnte eine erste funktional korrekte Implementierung
in Mitrion-C in etwa zwei Tagen erstellt werden. Anschließend wurden noch mehrere Tage in die Optimierung investiert. Weitere angedachte Verbesserungen sollten in wenigen Tagen umgesetzt werden
können.
Die Mitrion-C-MD5-Implementierung konnte nach Angaben der Entwickler (vgl. [IJ08]) in etwa drei
Arbeitstagen erstellt werden. Anschließend wurden nur wenige Optimierungen durchgeführt. Eine erste funktionierende VHDL-Implementierung benötigte ca. drei Wochen und wurde seither in mehreren
Iterationen verbessert, wobei noch immer Optimierungen ausstehen.
Die Einarbeitungszeit in Mitrion-C ist (insbesondere bei Vorkenntnissen in der Programmiersprache C)
deutlich geringer als in VHDL, da funktional und von der Hardware abstrahiert programmiert wird.
VHDL-Programmierung benötigt hingegen fundiertes Wissen über die Hardware. Um auf ein vergleichbares Niveau zu kommen, wird die Einarbeitungszeit für VHDL mit einem halben Jahr und für Mitrion-C
mit einem Monat abgeschätzt. Unter diesen Vorraussetzungen wird ein VHDL-Entwurf zur Umsetzung
eines Algorithmus etwa viermal soviel Zeit beanspruchen, wie ein vergleichbares Mitrion-C-Programm,
wenn sich der Algorithmus mit beiden Sprachen umsetzen lässt. Die Grundgedanken zum Entwurf eines
Algorithmus, der sich gut zur parallelen Abarbeitung eignet, sind für beide Programmiermöglichkeiten
gleichermaßen zeitaufwendig und können mit steigender Komplexität des Problems die Implementierungszeit übertreffen.
Eine deutliche Verringerung der Entwicklungszeit kann (insbesondere bei Hardwarebeschreibung) durch
die Wiederverwendung von Entwürfen (engl. Design Reuse) erwirkt werden. VHDL-Implementierungen
bieten zudem durch die Abbildung des Algorithmus auf Hardwarestrukturen mehr Optimierungsmöglichkeiten, wodurch sich auch die Entwicklungszeit deutlich verlängern kann. In Mitrion-C entstehen
Optimierungen häufig durch Ausprobieren und anschließender Bewertung, ob eine Verbesserung erreicht
wurde. Dies kommt durch das Compiler-generierte Design, welches sich durch geringe Modifikationen
des Mitrion-C-Codes stark verändern kann. Gute Implementierungen und Optimierungen basieren in
beiden Sprachen jedoch meistens auf Erfahrungswerten.
Für beide Programmiermöglichkeiten kommt zur Algorithmusimplementierung noch der Zeitaufwand
für die Hardware-Synthese hinzu, welche für die RASC-Plattform etwa eine Stunde für kleine und bis
6.2. VERGLEICH VON MITRION-C UND VHDL (RASC-PROGRAMMIERUNG)
85
zu mehreren Tagen für große Designs in Anspruch nimmt. An dieser Stelle muss noch erwähnt werden,
dass Timing-Anforderungen innerhalb der RASC Core Services sehr lange Synthesezeiten hervorrufen können, während der eigentliche Algorithmus bereits erfolgreich verdrahtet wurde. Auch die vielen
Komponenten, aus denen der MVP aufgebaut ist erhöhen die Synthesezeit zu vergleichbaren VHDLDesigns. Für Software ist der Übersetzungsaufwand hingegen deutlich geringer und liegt für in dieser
Arbeit betrachtete Algorithmen im Millisekundenbereich.
Schließlich muss der durch den FPGA beschleunigte Algorithmus noch in die Hostanwendung integriert
werden. Hierzu müssen zum einen die zu übertragenden Daten bereitgestellt (ggf. umformatiert) und
zum anderen die Ansteuerung der RASC-FPGAs vorgenommen werden. Funktion der rasclib-Bibliothek
(vgl. Tabelle 3.2) ermöglichen die Kommunikation, wobei Mitrion zusätzlich ein eigenes API anbietet.
Je nach Bereitstellungsaufwand der Daten liegt der Zeitaufwand im Bereich einiger Stunden. Von SGI
bereitgestellte Beispiele oder bereits geschriebene Programme helfen dabei den Aufwand zu verringern,
da die Ansteuerung verschiedener RASC-Kommunikationsvarianten sehr ähnlich ist.
6.2.2 Ease-of-Use
Bedienkomfort oder Bedienbarkeit sind im Grunde durch den Programmierer subjektiv gefühlte Eigenschaften. Um diese dennoch bewerten zu können, werden sie anhand einiger Fakten und Beispielen veranschaulicht. Zudem sollte beachtet werden, dass die Erwartungen gegenüber einer Hardwarebeschreibungssprache sich von denen einer Hochsprache unterscheiden.
Um schnell eine einfache Anwendung auf die RASC-Plattform zu portieren, eignet sich Mitrion sehr
gut, weil zum einen die Einarbeitungszeit in die vom Syntax C-ähnliche Sprache recht kurz ist und zum
anderen die Schnittstelle zum vorliegenden System einfach gehalten wurde. Mit VHDL muss hingegen
erst noch die Schnittstelle beschrieben und an das Verilog-Wrapper-Modul angebunden werden, was
insbesondere bei der Implementierung erster Beispielandwendungen Mühe bereitet und das ausführliche
Studieren des RASC-Benutzerhandbuchs ([SGI08]) erfordert.
Von einer sich an C anlehenden Hochsprache wird neben der Ähnlichkeit zum Syntax auch ein gewisses
Repertoire an Standardkonstrukten erwartet. Mitrion-C besitzt hier einige Eigenheiten, wie z.B.:
• Anweisungsblöcke (Schleifen und Bedingungen) haben Rückgabewerte
• einmalige Variablenzuweisungen in einem Block (engl. single assignment)
• Unterscheidung zwischen schleifenabhängigen und -unabhängigen Variablen
• Listen und Vektoren anstelle von Feldern (engl. arrays)
Rückgabewerte von Anweisungsblöcken werden hinter diesen in Klammern angegeben und ermögli-
86
6. AUSWERTUNG
chen, neben schleifenabhängigen Variablen, das Propagieren von Werten aus einem Block. Anlehnend
an die C-Syntax wären return-Anweisungen u.U. intuitiver. Es gibt die Schleifentypen FOR, FOREACH
und WHILE. Die FOR-Schleife muss mindestens eine schleifenabhängige Variable enthalten, während
die FOREACH-Schleife keine enhalten darf. Anweisungen wie break oder continue stehen nicht zur
Verfügung. Desweiteren können keine einfachen Bedingungen formuliert werden, ohne den AlternativZweig anzugeben. Während einige dieser Eigenschaften von Mitrion-C der Fehlervermeidung dienen,
können sie auch als Einschränkungen betrachtet werden, welche eigentlich durch den Compiler oder
eine Synthese gehandhabt werden sollten.
VHDL hingegen erfüllt die Erwartungen an eine Hardwarebeschreibungssprache in vollem Umfang.
Sogar Hochsprachenelemente, wie z.B. Schleifen, Funktionen oder abstrakte Datentypen, können verwendet werden. Die Beschränkung auf einmalige Signalzuweisung gilt nur außerhalb von Prozessen, innherhalb wird der letzte zugewiesene Wert übernommen. Bei einem bedingten Anweisungsblock werden
im nicht angegebenen alternativen Zweig keine Signale verändert. Es gibt in VHDL keine Rückgabewerte von Anweisungsblöcken, da Signale in einer Komponente global sind und Variablen innerhalb eines
Prozesses gelten.
Das Damenproblem ist ein Beispiel, welches in Mitrion-C nicht so beschrieben werden kann, dass es gute
Performance aufweist. Gewisse, teilweise bewusste Einschränkungen im Sprachumfang begründen diesen Umstand. Beispielsweise gibt es im Vergleich zu VHDL oder typischen Programmiersprachen keine
zu einem Feld (engl. array) vergleichbare Struktur. Mitrion-Listen können nur sequentiell abgearbeitet
werden, während Mitrion-Vektoren kein indiziertes Schreiben von einzelnen Elementen erlauben. Eine
Umgehungslösung (engl. workaround) dafür bietet die Nutzung von Block-RAM, welcher allerdings die
parallele Abarbeitung in Mitrion-C-Programmen deutlich einschränkt. Allgemein sind Datenstrukturen
in VHDL flexibler und können auch vom Programmierer definert werden. Eine Möglichkeit in Mitrion-C
Strukturen zu beschreiben sind Tuple. Auf Elemente in Tuples kann jedoch nicht indiziert oder durch die
Angabe einer Variablenbezeichung zugegriffen werden. Sie dienen lediglich dem Zusammenfassen mehrerer Variablen, um gerade bei Rückgabewerten von Blöcken das Programm übersichtlicher zu gestalten.
Die wesentliche Vereinfachung der Mitrion-C-Programmierung im Vergleich zur Hardware-Beschreibung
betrifft die Bereitstellungen von Daten und die automatische Verwaltung von Datenabhängigkeiten. Dadurch kann typisch sequentiell programmiert werden, während dem Nutzer die eigentliche datengetriebene Abarbeitungsreihenfolge von Operationen verborgen bleibt. Bei VHDL muss der Programmierer
für die zeitlich korrekte (taktgenaue) Bereitstellung der Daten sorgen. Das folgt allerdings daraus, dass es
sich um Hardware- und keine Algorithmus-Beschreibung handelt. Wird beispielsweise die Verwendung
von Block-RAM betrachtet, kann diese mit Mitrion-C durch einfache Funktionsaufrufe bewerkstelligt
6.2. VERGLEICH VON MITRION-C UND VHDL (RASC-PROGRAMMIERUNG)
87
werden. In VHDL muss ein Block oder eine Komponente beschrieben werden, welche über Adress-,
Enable- und Daten-Signale angesteuert wird. Bei lesendem Zugriff muss einen Takt bevor der Wert
bereit stehen soll, die entsprechende Adresse angelegt werden, während bei schreibendem Zugriff die
Adresse im gleichen Takt wie das Datum angelegt wird. Bei Mitrion-C braucht der Programmierer sich
um solche Hardware-Detailes nicht zu kümmern.
Die Hardware-Synthese wird in beiden Fällen von der Kommandozeile gestartet. Bei Mitrion kann mit
dem Aufruf einer Java-Anwendung und entsprechender Parameterübergabe sowohl simuliert als auch
compiliert oder synthetisiert werden. Optional können Parameter wie der Syntheseaufwand, Ausgabeund temporäres Datenverzeichnis auch in einer Benutzeroberfläche eingestellt werden. Der Nutzer hat
auf die Paramter der Hardware-Synthese keinen direkten Einfluss, kann für den gesamten Prozess aber
zwischen drei Aufwandsstufen wählen. Dies ist vorallem ohne Hintergrundwissen über die zugrundeliegende Hardware einfach zu entscheiden, aber für erfahrene Benutzer ärgerlich; gerade wenn ein Design
nur knapp nicht geroutet werden konnte. Eine genauere Anpassung ist nur auf einem Umweg zu erreichen, wobei die Mitrion-Anwendung zu Beginn der Synthese abgebrochen wird und die temporären
Dateien im RASC-Arbeitsablauf weiterverarbeitet werden (z.B. mit einem Makefile). Dieser wird bei
der Verwendung von VHDL genutzt und ermöglicht eine genaue Anpassung der Hardware-Synthese.
Ein Makefile und eine weitere Datei, in welcher die High-Level-Synthese-Optionen aufgelistet sind, dienen dazu. Zudem wird neben ISE mit Synplify Pro ein zweites Synthese-Tool unterstützt – Mitrion nutzt
ausschließlich ISE. Während der RASC-Arbeitsablauf zu keinem Zeitpunkt mehr als acht GByte benötigt, überschreitet Mitrion diese Grenze bei großen Designs und kann dementsprechend nicht mehr auf
kleinen Systemen mit weniger Hautspeicher in akzeptabler Zeit ausgeführt werden.
Entwicklungsumgebungen (z.B. Xilinx ISE) und Editoren mit Syntax-Hervorhebung erleichtern den Entwurfsprozess mit VHDL. Die in früheren Versionen von Mitrion enthaltene Entwicklungsumgebung gehört in der aktuellen Version nicht mehr zum Paket und es muss in einem beliebigen Editor programmiert
und auf Kommandozeile übersetzt werden.
Mitrion-C ermöglicht dem Programmierer einen schnellen Einstieg zur Nutzung von rekonfigurierbarer
Hardware, ohne Wissen über diese zu benötigen. Der Mangel an Beschreibungsformen (Konstrukten)
lässt allerdings nicht in jedem Fall die effiziente Programmierung des Algorithmus zu. Mit VHDL wird
hingegen die Hardware zur Abarbeitung eines Algorithmus beschrieben, was in vielen Fällen zu einer effizienteren Umsetzung führt. Mitrion-C kann mit einigen guten Konstrukten wie die Vektor- oder
Listenerzeugung über Bereiche oder der FOREACH-Schleife zur einfachen Parallelisierung überzeugen, enttäuscht aber gleichermaßen durch einen Mangel an Beschreibungsformen (z.B. keine Felder,
continue-, break- und exit-Anweisung).
88
6. AUSWERTUNG
6.2.3 Fehleranfälligkeit und Debugging-Möglichkeiten
Beim Programmieren kann zwischen verschiedenen Arten von Fehlern unterschieden werden. Lexikalische und syntaktische Fehler werden bereits zur Übersetzungszeit vom Compiler erkannt, während
semantische und logische Fehler meist erst zur Laufzeit festgestellt werden. Durch einen fehlerhaften
Algorithmus bedingte Fehler können in beiden Sprachen gleichermaßen auftreten.
Die Anzahl lexikalischer und syntaktischer Fehler steigt überlicherweise konstant mit der Länge des
Quellcodes. Durch den längeren Quellcode bei der Umsetzung vergleichbarer Algorithmen werden solche Fehler beim VHDL-Entwurf häufiger vorkommen als bei Mitrion-C-Programmen. Allerdings gibt
es im Verleich zu Mitrion-C für VHDL Entwicklungsumgebungen und Editoren mit VHDL-SyntaxHervorhebung, was diese Art von Fehler wiederum verringert. Einige semantische Fehler, wie z.B. nicht
erlaubte Zuweisungen von Signal- bzw. Variablentypen, werden ebenso bereits während der Übersetzung
erkannt und können meist schnell behoben werden. Bei Mitrion-C wird Variablen ohne explizite Typangabe automatisch anhand der ersten Zuweisung ein Typ zugeordnet. Dies verringert einerseits Fehler
während der Übersetzung, kann aber zu inhaltlichen Fehlern führen. Ein Beispiel hierfür ist die Addition von Zahlen, dessen Summe bei Mitrion-C ein Bit breiter als der größere der beiden Summanden
ist. VHDL ist hingegen eine streng typenorientierte Sprache und ein verwendetes, aber nicht deklariertes
Signal führt während der Syntaxprüfung zu einem Fehler.
Eine fehlerhafte VHDL-Implementierung folgt häufiger daraus, dass Daten nicht im vorgesehenen Takt
am gewünschten Signal anliegen oder es wurde vergessen einem Signal einen Initialwert zu übergeben. Solche Fehler im Hardware-Design können mit Mitrion-C nicht auftreten, da Datenabhängigkeiten
automatisch gehandhabt werden und einer Variablen bei der Deklaration ein Wert übergeben werden
muss. Es können noch viele andere Fehler vorkommen, welche allerdings in ihrer Gesamtheit hier nicht
aufgezählt werden sollen. Festzuhalten ist jedoch, dass mit VHDL mehr Fehler dieser Art entstehen
können, da auf einer niedrigeren Abstraktionsebene als mit Mitrion-C programmiert wird und die Beschreibung des Kontrollflusses aufwändiger ist. Zudem werden bei Mitrion-C z.B. durch Unterscheidung
von FOREACH- und FOR-Schleife, sowie das Single Assignment-Prinzip und komplett ausformulierte
Bedingungszweige Fehler frühzeitig (zur Übersetzungszeit) erkannt.
Eine inkorrekte Implementierung und damit ein semantischer oder logischer Fehler kann mit beiden
Sprachen anhand einer Simulation bereits aufgedeckt werden. Die Mitrion-Simulation (vgl. Abschnitt
4.1.3) ist mit der Verwendung von Watch-Anweisungen einer Hochsprachenfehlersuche sehr ähnlich.
Beim Aufruf einer solchen Anweisung wird der Inhalt der beobachteten Variable auf der Kommandozeile ausgegeben. Zudem kann mit dem grafischen Simulator die Struktur des Programmes angesehen
werden, wodurch das Aufdecken funktionaler Fehler auch optisch möglich ist. Die Fehlersuche in einem
6.2. VERGLEICH VON MITRION-C UND VHDL (RASC-PROGRAMMIERUNG)
89
VHDL-Entwurf ist aufwändiger als bei Mitrion-C-Programmen und wird üblicherweise vor der Synthese mit einem HDL-Simulator (vgl. Abschnitt 4.2.2) vorgenommen. Dabei können die an den Signalen
und Ports der untersuchten Komponenten und Unterkomponenten anliegenden Werte und entsprechende
Signalverläufe angesehen werden, um Fehler im Entwurf aufzudecken.
Während eine fehlerfreie Simulation mit Mitrion während der Tests stets zu einer korrekten HardwareUmsetzung führte, war dies bei den VHDL-Entwürfen nicht immer der Fall. Zur Simulation mit VHDL
wird üblicherweise eine Testbench erstellt, welche das Verhalten der Schnittstelle beschreibt. Da für
das Verhalten der Core Services an den Schnittstellen zum Algorithmus von SGI keine Testbench zur
Verfügung gestellt wird, muss diese laut der Spezfikation in [SGI08] vom RASC-Nutzer programmiert
werden. Eine fehlerhafte oder unvollständige Beschreibung der Testumgebung kann jedoch auch zu einer
inkorrekten oder nicht funktionierenden Hardware-Umsetzung führen.
Eine weitere Möglichkeit der Fehlersuche ist mit den Debug-Registern gegeben. In beiden Sprachen
können Signale bzw. Variablen an diese gebunden und auf Hostseite, während der Laufzeit deren Inhalt
abgefragt werden. Dies kann auch taktweise mit dem GNU-Debugger (siehe Abschnitt 3.4.3) vorgenommen werden, wobei dieser das Direct Streaming nicht unterstützt.
6.2.4 Performance
Die Performance der auf die RASC-Plattform portierten Fallbeispiele in Mitrion-C- und VHDL wurde
im einzelnen bereits in Kapitel 5 ausgewertet. Tabelle 6.1 zeigt die besten Messergebnisse der Beispielanwendungen und die Geschwindigkeitsgewinne (Sp ) zwischen den Implementierungen im Überblick. Die
Performance-Auswertung betracht einen RC100-FPGA (XC4VLX200), wobei der Referenz-CPU für
MD5-Brute-Force der Core2Duo-Prozessor und für das Damenproblem der Phenom-Prozessor ist.
MD5-Brute-Force (M Hashes/s)
26-Damenproblem (Teilprobl./Std.)
CPU
Mitrion
88
23
288
21
VHDL Sp =
Mitrion
CPU
1173
531
3,3
0,9
Sp =
VHDL
CPU
13,3
23,1
Sp =
VHDL
Mitrion
4,1
25,3
Tabelle 6.1: Performance-Überblick
Mitrion-C-Umsetzungen benötigen im Durchschnitt laut Angaben des Herstellers Mitrionics in etwa doppelt soviel FPGA-Fläche (Overhead durch die Processing Elements des MVP) wie vergleichbare VHDLImplementierungen, was bei einem auf Parallelität basierendem Design die erreichbare Performance
auf die Hälfte verringert. Diese optimistische Schätzung konnte durch die Beispiel-Implementierungen
des MD5-Brute-Force-Algorithmus und des 26-Damenproblems nicht bestätigt werden. Für die VHDLImplementierungen wurden in allen Fallbeispielen bessere Messwerte als mit vergleichbaren MitrionUmsetzungen erreicht.
90
6. AUSWERTUNG
2500
2250
2000
1750
MByte/s
1500
1250
1000
750
500
250
0
0,0625
0,125
0,25
0,5
1
2
4
8
16
32
64
128
256
512
1024
Datenmenge (MiByte)
Direct Streaming VHDL
SRAM VHDL
Direct Streaming [email protected]
SRAM Mitrion/[email protected]
Direct Streaming Mitrion
Abbildung 6.2: Zusammenfassung des Datendurchsatzes mit Direct I/O
Ist die Anwendung gut durch Pipeline- und FOREACH-Strukturen auf der innersten Schleifenebene in
Mitrion-C zu beschreiben (MD5-Brute-Force), kann ein Geschwindigkeitsgewinn gegenüber einer auf
einem CPU laufenden, hoch optimierten Software von bis 3,3 gemessen werden. Die VHDL-Umsetzung
ist jedoch noch einmal um einen Faktor 4,1 schneller als Mitrion. Lässt sich die Anwendung nicht gut in
Mitrion-C beschreiben (Damenproblem), so ist mitunter kein Geschwindigkeitsgewinn gegenüber CPUs
zu verzeichnen, wohingegen die VHDL-Umsetzung mit einem Beschleunigungsfaktor von rund 23 gemessen werden konnte. Wie beim Hardware-Entwurf muss auch bei der Mitrion-C-Programmierung auf
möglichst flache Strukturen (geringe Verschachtelung von Bedingungen und Schleifen) geachtet werden,
um eine gute Performance zu erreichen.
Auch die Ergebnisse der Durchsatzmessungen liegen mit Mitrion hinter den vergleichbaren VHDLImplementierungen, was zumindest bei der Verwendung von SRAM auf die geringere Taktung des MVP
zurückzuführen ist. Der maximal erreichbare Direct-Streaming-Durchsatz der mit 100 MHz getakteten
VHDL-Implementierung ist dennoch deutlich schneller als die Mitrion-Variante, weshalb hier von einem
Fehler im MVP-Design ausgegangen werden kann. Abbildung 6.2 zeigt noch einmal die für Direct I/O
gemessenen Werte für die SRAM-Kommunikation und das Direct Streaming.
Der SRAM-Kontroller der Core Services scheint derzeit noch ein Flaschenhals zu sein, zumal nach den
theoretischen Angaben 3,2 GByte/s Datendurchsatz möglich sind und mit Direct Streaming ein Datendurchsatz von 2,4 GByte/s praktisch erreicht wurde. Die Durchsatzbeschränkung tritt bei der Kommunikation zwischen Host und SRAM auf. Bei einem Test wurden zwischen Algorithmus-Block und SRAM
die maximal erreichbaren 3,2 GByte/s Datendurchsatz auch praktisch gemessen (vgl. 5.1.2). Zudem wurde die SRAM-Kommunikation ohne die Verarbeitung der Daten durch den Algorithmus gemessen und
6.3. KOSTEN-NUTZEN-ABSCHÄTZUNG UND FAZIT
91
erreichte nur einen maximalen Durchsatz von 1,65 GByte/s. Anhand dieser Ergebnisse und dem Aufbau
des Datenpfades (vgl. Abbildung 3.4) kann sich der Flaschenhals nur in einem Teil des Speicherkontrollers der Core Services befinden.
6.3 Kosten-Nutzen-Abschätzung und Fazit
Als Ergebnis der Auswertung werden in diesem Abschnitt Kosten und Nutzen der Anwendungsportierung abgeschätzt und damit die beiden quantifizierbaren Metriken Entwicklungszeit und Performance in einen Zusammenhang gestellt. Eine Wirtschaftlichkeitsuntersuchung oder pauschale Abschätzung
der Kosten und Nutzen ist aufgrund mangelnder praxisrelevanter Beispiele im Umfang dieser Arbeit
nicht möglich. Allein die Damenproblem-Implementierung arbeitet über einen längeren Zeitraum am
[email protected] ([PNS]) mit, jedoch nicht in einem kommerziellen Rahmen.
Als Grundlage der Abschätzung dienen die Fallbeispiele MD5-Brute-Force und 26-Damenproblem. Die
Kosten werden zeitlich in Form der Entwicklungszeit tE angenommen, während der Nutzen auf den
Geschwindigkeitsgewinn Sp (vgl. Tabelle 6.1) abgebildet werden kann. Wird die Ersetzung des Referenzsystems durch das Beschleunigersystem betrachtet, kann zudem die zeitliche Amortisierung tA
berechnet werden. Während der Anwendungsportierung finden dann keine Berechnungen statt. Abhängig vom Geschwindigkeitsgewinn der beschleunigten Anwendung, kann der Ausfall der Berechnungen
nach einer Zeit tA kompensiert werden. Tabelle 6.2 zeigt die verwendeten Metriken und die zugehörige
Amortisationszeit (vgl. Formel 6.1) für jeweils zwei Entwicklungsstufen der Beispielanwendungen.
tA = tE ·
∞
X
1
Sp n
(6.1)
n=1
Die in der Tabelle angegebenen Entwicklungszeiten (tE ) sind Schätzwerte (vgl. Abschnitt 6.2.1) und
es wird nur mit einem FPGA des RC100-Blades als Beschleuniger gerechnet, weil nur eine CPU als
Damenproblem(1)
Damenproblem(2)
MD5-Brute-Force(1)
MD5-Brute-Force(2)
Durchschnitt ∅
tE
7 Tage
14 Tage
10 Tage
18 Tage
12 Tage
VHDL
Sp
tA
11,4 16,2 Stunden
22,7 15,5 Stunden
6,6 42,9 Stunden
13,3 35,1 Stunden
13,5
23 Stunden
tE
2 Tage
5 Tage
3 Tage
3 Tage
3 Tage
tE ... Entwicklungszeit; tA ... Amortisationszeit;
Sp ... Geschwindigkeitsgewinn gegenüber CPU
Tabelle 6.2: Entwicklungszeit und Performance
Mitrion
Sp
tA
0,5
∞
0,9
∞
3,3 31,3 Stunden
3,3 31,3 Stunden
2,0
72 Stunden
92
6. AUSWERTUNG
Referenz verwendet wurde. Die Nutzung beider FPGAs verdoppelt den angegebenen Geschwindigkeitsgewinn Sp und verringert die Amortisationszeiten tA . In dieser Arbeit konnten nur Beispiele mit recht
kurzer Entwicklungszeit betrachtet werden, wodurch schon nach geringer Laufzeit der beschleunigten
Implementierung eine zeitliche Amortisierung auftritt. Der Geschwindigkeitsgewinn ist außerdem ein
Maß dafür, wieviele Referenzsysteme betrieben werden müssten, um die gleiche Performance zu erreichen.
Um eine Wirtschaftlichkeitsuntersuchung durchzuführen, müssten noch die Gesamtkosten (Entwicklungsingenieur, Beschaffungskosten des neuen Systems, Energiekosten, etc.) betrachtet und mit dem
durchschnittlichen Gewinn in ein Verhältnis gesetzt werden. Aus diesen Ergebnissen und der durchschnittlichen Lebenserwartung eines HPC-Systems von fünf Jahren kann dann abgeschätzt werden, ob
sich der Kauf des Beschleunigersystems rentiert. Zudem müssten schlecht quantifizierbare Faktoren, wie
z.B. Ease-of-Use, Fehleranfälligkeit oder Qualität der Implementierung der Vollständigkeit halber in die
Untersuchung mit einfließen.
Zu beachten ist auch, dass mehrere Systeme höhere laufende Kosten verursachen. Werden beispielsweise
folgende Daten angenommen, können Energiekosten und CO2 -Ausstoß über einen beliebigen Zeitraum
berechnet werden:
• 15 Eurocent pro Kilowattstunde (15ct/kWh)
• 400 Gramm CO2 -Ausstoß pro Kilowattstunde (400g/kWh)
• FPGAs mit 25 Watt Verlustleistung
• Referenz-CPUs mit 65 Watt Verlustleistung
Im Zeitraum von 200 Tagen (4800 Stunden) verbraucht damit ein FPGA 120kW. Dies entspricht Energiekosten von 18 C und einem CO2 -Ausstoß von 48 kg. Wird ein Beschleunigungsfaktor 20 für die
FPGA-Implementierung angenommen, müssten anstelle dessen 20 Referenz-CPUs arbeiten, um die gleiche Rechenleistung zu erbringen. Dabei würden Energiekosten von 936 C anfallen und 2496 kg CO2
ausgestoßen.
Im positiven Fall für Mitrion kann der zu beschleunigende Algorithmus in Mitrion-C effizient beschrieben werden, benötigt dann im Vergleich zur VHDL-Implementierung ein Sechstel der Entwicklungszeit
und bringt ein Viertel der Performance. In ungünstigen Fällen kann mit Mitrion jedoch kein Geschwindikeitsgewinn erreicht werden. Ein Grund für die vergleichsweise geringen Geschwindigkeitsgewinne
ist die langsamere Taktung des Mitrion-Designs. Über die Taktverwaltung der Virtex-4 FPGAs (DCMs)
und FIFOs mit unterschiedlichem Lese- und Schreibtakt wäre auch eine feinere Einstellung der Taktung
des Mitrion-Algorithmus denkbar und könnte zumindest als experimentelle Funktion angeboten werden.
6.4. VERBESSERUNGSANSÄTZE DER RASC-PLATTFORM
93
Weitere Gründe ergeben sich aus dem Mangel an Beschreibungsmöglichkeiten (vgl. Abschnitte 6.2.2
und 5.5.3).
Mitrion ermöglicht mit ca. drei Wochen Einarbeitungszeit und einer Woche Entwicklungszeit einen
schnellen Einstieg und erreichte in den Messungen im besten Fall einen Geschwindigkeitsgewinn von 3,3
gegenüber der schnellsten gemessenen CPU. Es ist jedoch nicht jeder Algorithmus effizient in Mitrion-C
umsetzbar. Im allgemeinen ist das Ziel einen Algorithmus unter Verwendung einer FOREACH-Schleife
mit einer Pipeline-Struktur auf der innersten Schleifenebene zu beschreiben. Während dies bei MD5Brute-Force (vgl. 5.4.2) möglich ist und zu einem Geschwindigkeitsgewinn führt, lässt sich das Damenproblem einfach, allerdings nicht effizient beschreiben und führt zu einer vergleichsweise schlechten
Performance. In einigen Fällen muss ein anderer Ansatz gefunden werden, um eine Beschleunigung mit
Mitrion-C zu erreichen, wodurch sich allerdings auch der Entwicklungsaufwand deutlich erhöht.
Kurze Entwicklungszeiten zur schnellen Portierung eines Algorithmus in VHDL erreichen nicht das
Leistungsvermögen ausgereifter Implementierungen, sind mitunter dennoch schneller als eine vergleichbare Mitrion-C-Implementierung. Die prinzipielle Herangehensweise zur Algorithmusportierung ist mit
beiden Programmiermöglichkeiten ähnlich, da ein guter paralleler Algorithmus auch die Grundlage für
Geschwindigkeitsgewinne bildet. Letztendlich ist Mitrion-C ein interessanter Programmieransatz, der
nicht ausgereift ist, aber in zukünftigen Versionen noch Leistungssteigerungen erwarten lässt. Mit einer guten VHDL-Implementierung kann bei geeigneter Algorithmuswahl (parallel und gut auf FPGAs
umsetzbar) immer mit Geschwindigkeitsgewinnen gerechnet werden.
6.4 Verbesserungsansätze der RASC-Plattform
Während der Implementierung der Fallbeispiele und den entsprechenden Performance-Messungen konnten einige Mängel an SGI RASC festgestellt werden. Zudem werden hier noch einige Verbesserungsvorschläge angegeben, welche den Ease-of-Use der gesamten Programmierplattform erhöhen würden.
Die „Supplemental Clock“ (ein zusätzlich durch die Core Services zur Verfügung gestelltes einstellbares Taktsignal) kann aus Gründen des Timings nur bedingt verwendet werden. Eine typische Variante
Daten zwischen Taktdomänen zu übertragen sind FIFOs mit asynchronem Schreib- und Lesetakt. Allerdings konnte mit solchen durch den Xilinx Fifo Generator v4.4 erstellten FIFOs das Timing nicht
erreicht werden. Alternativ wurde im Algorithmus selber eine DCM initialisiert und damit erfolgreich
eine Taktanpassung vorgenommen.
Die Geräteverwaltung für die FPGAs (devmgr) hat mitunter mehrere Wochen den Dienst untersagt. Die
falsche Angabe eines Dateinamens beim Hinzufügen oder Verändern eines Algorithmus führte z.B. dazu,
94
6. AUSWERTUNG
dass die gesamte Registrierung und Abfrage der Algorithmen nicht mehr funktionierte (Fehler wurde
bereits behoben). Zusätzlich traten andere bisher ungeklärte Fehler auf, die mitunter den Absturz des
kompletten Systems zur Folge hatten.
Um den mit einer HDL arbeitenden RASC-Nutzer zu unterstützen, wäre eine Testbench, welche das
Verhalten der Core Services an der Schnittstelle zum Algorithmus beschreibt, sehr hilfreich und würde
Fehler und entsprechend unnötige Synthesevorgänge vermeiden. Die Testbench könnte neben den Konfigurationsdateien und Verilog-Wrapper-Modulen durch das Algorithmus-Konfigurations-Tool generisch
erzeugt werden.
Weitere Verbesserungsansätze betreffen die in Abschnitt 3.3 vorgestellten Kommunikationsvarianten,
deren Funktionalität erweitert werden könnte:
Algorithm Defined Registers: Der Host wird derzeit nicht über eine Änderung der Register durch
den Algorithmus informiert. Eine entsprechende funktionale Erweiterung der rasclib-Bibliothek
würde das Polling über ein zusätzliches Debug-Register (vgl. 5.3.1) überflüssig machen.
SRAM-Kommunikation: Mit der aktuellen Version der RASC Core Services ist es nicht möglich
unabhängig vom FPGA-Algorithmus auf den SRAM zuzugreifen. Es können ausschließlich einmal, während der Ausführung des Algorithmus, Daten vom Host gesendet und empfangen werden. Eine unabhängige Host-SRAM-Kommunikation würde einen dauerhaften Betrieb des FPGAAlgorithmus ermöglichen. Dementsprechend müssten auch zusätzliche Kontrollsignale in die Core
Services integriert werden, um den Algorithmus über die Schreib- und Lesevorgänge des Host zu
informieren.
Direct Streaming Wie bei der SRAM-Kommunikation ist es nur möglich einmal pro AlgorithmusDurchlauf Daten zu senden oder zu empfangen. Sinnvoll wäre es, wenn ein Streaming-Port mehrfach Datenströme empfangen oder senden könnte, ohne das zwischendurch der Algorithmus beendet werden muss.
95
7 Zusammenfassung und Ausblick
In der vorliegenden Arbeit wurde die SGI RASC Plattform untersucht und mit Mitrion-C und VHDL
zwei Programmiermöglichkeiten verglichen. Hierfür wurde in einem analytischen Teil die BeschleunigerTechnologie vorgestellt und dabei insbesondere auf die verwendeten Virtex-4 FPGAs eingegangen. Zudem wurden Aufbau und Kenndaten des RC100-Blades vorgestellt, sowie die Software- und HardwareProgrammierschnittstelle untersucht. Das RC100-Blade integriert sich sehr gut in die Architektur der
Altix 4700 und ist mit der vollen Bandbreite von 6,4 GByte/s an das NUMAlink4-Netzwerk angeschlossen.
Da die Fließkommaverarbeitungsleistung ein typisches Vergleichsmaß im Hochleistungsrechnen ist, wurde diese in einer theoretischen Betrachtung für mehrere Virtex-FPGAs abgeschätzt. Die von SGI RASC
unabhängige Untersuchung kann auf verschiedene FPGA-basierte Beschleuniger-Systeme angewendet
werden und zeigt, dass FPGAs durchaus mit aktuellen Prozessoren mithalten können, andere HardwareBeschleuniger, wie z.B. GPUs in diesem Bereich jedoch bessere Performance bieten.
Mit dem Damenproblem und dem MD5-Brute-Force-Algorithmus konnten zwei komplexere Beispiele
auf die RASC-Plattform portiert und deutliche Leistungssteigerungen gegenüber aktuellen Prozessoren
verzeichnet werden. Die Kommunikation mit dem RC100-Blade wurde anhand von Mikro-Benchmarks
getestet und erreichte unter der Verwendung von Direct I/O und Direct Streaming einen maximalen Datendurchsatz von etwa 2,4 GByte/s. Die Messungen des Datendurchsatzes zwischen Host und SRAM
erreichten mit 1,65 GByte/s gerade die Hälfte des theoretisch Möglichen. Der FPGA kann hingegen mit
voller theoretischer Bandbreite mit dem SRAM kommunizieren, was zu der Schlussfolgerung führt, dass
der Flaschenhals im Speicherkontroller der Core Services liegt. Die Latenz von indizierten Speicherzugriffen des FPGA auf den lokalen SRAM wurde mit 80 ns gemessen. Zusätzlich konnten die Memory
Mapped Registers (auf den Speicher des Hosts abgebildete FPGA-Register) neben der Parameterübergabe und Debugging-Zwecken auch als Variante der Datenübertragung verwendet werden. Dadurch wurde
die Anbindung der Damenproblem-Implementierung an die Infrastruktur von [email protected] erst möglich und es konnte ein Beitrag zum Fortschritt des Projektes geleistet werden.
Alle Fallbeispiele wurden sowohl mit Mitrion-C als auch mit VHDL auf die RASC-Plattform portiert.
Basierend auf diesen Implementierungen wurden die verschiedenen Metriken Entwicklungszeit, Ease-
96
7. ZUSAMMENFASSUNG UND AUSBLICK
of-Use, Fehleranfälligkeit, Debugging-Möglichkeiten und Performance bewertet. Mitrion-C offenbarte
dabei insbesondere Schwächen im Sprachumfang, was bei betroffenen Algorithmen zu einer vergleichsweise schlechten Performance führt. Der maximale Geschwindigkeitsgewinn eines RC100-FPGAs gegenüber einer Referenz-CPU ist laut Messungen 3,3 für Mitrion-C und 23,1 für VHDL. Allgemein
ist festzustellen, dass die Mitrion-C-Implementierungen in allen Messungen schlechtere Performance bieten, als die vergleichbaren VHDL-Implementierungen. Zur Leistungsbewertung der HardwareImplementierungen wurden in der Programmiersprache C Benchmarks geschrieben. Die Messungen
wurden entweder über einen längeren Zeitraum oder aber unter der Verwendung von Bash-Skripten
mehrfach durchgeführt, um zeitweise Schwankungen zu interpolieren.
Eine Kosten-Nutzen-Abschätzung bringt schließlich die quantifizierbaren Metriken Entwicklungsaufwand und Performance in einen Zusammenhang und verdeutlicht, wann sich eine Anwendungsportierung
auf die RASC-Plattform lohnt. Als Fazit bleibt, dass sich der VHDL-Entwurf einer geeigneten Anwendung immer lohnt, während mit Mitrion-C mitunter keine Geschwindigkeitsgewinne gegenüber aktuellen
CPUs erreicht werden können, wodurch sich auch der im Durchschnitt geringere Entwicklungsaufwand
nicht immer rechtfertigen lässt. Die vergleichsweise geringe Leistungsaufnahme von FPGAs kann allerdings schon bei geringen Geschwindigkeitsgewinnen Energiekosten verringern.
Neben dem noch vorhandenem Optimierungspotenzial der vorgenommenen Implementierungen bietet
auch die RASC-Plattform selber noch Verbesserungsmöglichkeiten, was insbesondere die Kommunikationsvarianten betrifft. Einige Ansätze wurden bereits in der Auswertung erläutert.
An dieser Stelle bieten sich nun Vergleiche zu anderen FPGA-basierten Programmierplattformen an. Sog.
In-Socket-Accelerators ermöglichen z.B. eine engere Kopplung der Beschleuniger-Chips und CPUs, was
geringere Latenzen und höhere Bandbreiten ermöglichen soll. Zudem wurde mit Mitrion-C nur eine
Hochsprache untersucht, welche FPGA-Systeme als Zielplattform hat. Handel-C und Impulse-C sind
weitere Programmiersprachen, welche die Nutzung von FPGA-basierten Systemen verfolgen. Diese arbeiten mit einer Teilmenge der C-Funktionalität und C-Erweiterungen zum parallelen Entwurf. Eine
weitere Herausforderung betrifft die Portierung einer echten Anwendung (nicht aus der internen Forschung), welche bereits Rechenzeit auf den am ZIH installierten Hochleistungsrechnern beansprucht.
Schließlich sollte noch untersucht werden, inwiefern dynamische partielle Rekonfiguration die Flexibilität von FPGAs erhöht und Nutzbarkeit im Bereich des Hochleistungsrechnen verbessert.
Für den zukünftigen Erfolg FPGA-basierter Systeme im Hochleistungsrechnen könnte die OpenFPGAInitiative beitragen. Diese wird von einer Vielzahl von Firmen und Organisationen unterstützt und arbeitet an einem einheitlichen Industriestandard zur Integration von rekonfigurierbarer Technologie in leistungsstarke Rechensysteme. Eine allgemeine API-Spezifikation soll, anbieterunabhängig und portierbar
97
zwischen FPGA-Systemen, die Kommunikation mit Nutzeranwendungen oder Bibliotheken ermöglichen. Derzeit muss in Frage gestellt werden, ob mit der Open Computing Language (OpenCL), welche
als gemeinsame Programmiersprache für Grafikbeschleuniger und DSPs entwickelt wird, auch FPGAs
programmiert werden können. Der hier vorgestellte Hochsprachenansatz bietet zudem auch nicht die
Geschwindigkeitsgewinne, die von einem Hardware-Beschleuniger erwartet werden.
Letztendlich bleibt abzuwarten, inwiefern sich FPGAs im HPC etablieren können. Hierfür ist auch eine
Sensibilisierung der Nutzer notwendig, da die Portierung von Anwendungen immer einen Entwicklungsaufwand mit sich zieht.
98
7. ZUSAMMENFASSUNG UND AUSBLICK
99
Abbildungsverzeichnis
2.1
Typische Architektur eines FPGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.2
FPGA Logikblock und Schaltmatrix (vgl. [Wik09]) . . . . . . . . . . . . . . . . . . . .
10
2.3
Paritätsbit für 32-Bit-Wert: 4-Eingangs-LUT (links), 6-Eingangs-LUT (rechts) . . . . . .
10
2.4
Konfigurierbarer Logikblock (CLB) der Virtex-4 FPGAs (vgl. [Xil08c]) . . . . . . . . .
14
2.5
Stark vereinfachter Virtex-4-Slice (ohne Carry- und Speicher-Logik, vgl. [Xil08c]) . . .
14
2.6
Energieeffizienz von FPGAs und GPUs . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3.1
Altix 4700 Rechenknoten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2
RC100-Blade (vgl. [SGI08]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3.3
RASC FPGA-Modul (vgl. [SGI08]) . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
3.4
RASC Core Services (vgl. [SGI08]) . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.5
SGI RASC – Abstraktionsebenen (vgl. [SGI08]) . . . . . . . . . . . . . . . . . . . . . .
29
4.1
Entwicklungszyklus – Mitrion SDK auf SGI RASC (vgl. [Mit08b]) . . . . . . . . . . .
36
4.2
Integration von Mitrion in SGI RASC (vgl. [Mit08a]) . . . . . . . . . . . . . . . . . . .
38
4.3
Mitrion-C Simulation mit GUI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
4.4
Vergleich von Hardware- und Softwareentwicklung . . . . . . . . . . . . . . . . . . . .
44
4.5
Hardware-Synthese im Überblick ([Hoc08], Kapitel 1) . . . . . . . . . . . . . . . . . .
49
5.1
Direct IO Streaming Durchsatz aller Knoten (256 MiByte) . . . . . . . . . . . . . . . .
54
5.2
Durchsatz über den SRAM des RC100-Blades . . . . . . . . . . . . . . . . . . . . . . .
57
5.3
Direct Streaming Durchsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
5.4
Memory Mapped Registers – Kommunikationsschema . . . . . . . . . . . . . . . . . .
62
5.5
Memory Mapped Registers – Durchsatzmessung . . . . . . . . . . . . . . . . . . . . .
63
5.6
MD5 Brute Force – VHDL-Entwurf . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
5.7
MD5 Brute Force – Performance Vergleich . . . . . . . . . . . . . . . . . . . . . . . .
71
5.8
Eine Lösung des Acht-Damenproblems . . . . . . . . . . . . . . . . . . . . . . . . . .
72
5.9
Damenproblem Backtracking-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . .
73
5.10 Infrastruktur und RASC-Anbindung von [email protected] . . . . . . . . . . . . . . . . .
75
5.11 26-Damenproblem – Leistungsvergleich (10 Stunden) von FPGAs und CPUs . . . . . .
79
6.1
Geschwindigkeitsgewinn einer durch FPGAs beschleunigten Anwendung . . . . . . . .
82
6.2
Zusammenfassung des Datendurchsatzes mit Direct I/O . . . . . . . . . . . . . . . . . .
90
100
Abbildungsverzeichnis
101
Tabellenverzeichnis
2.1
Kenndaten einiger Virtex-FPGAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
2.2
FP-Performance von Virtex-5-FPGAs im Vergleich zu Opteron Prozessor . . . . . . . .
18
2.3
Virtex-FPGAs: FP-Performance Multiplikation-Addition (64 Bit / 32 Bit) . . . . . . . .
18
3.1
Intel Itanium 2 Montecito[Int06] - Cache-Hierarchie . . . . . . . . . . . . . . . . . . .
22
3.2
Ausgewählte Funktionen der rasclib-Bibliothek . . . . . . . . . . . . . . . . . . . . . .
30
5.1
MD5 Brute-Force: FPGA Ressourcen-Nutzung – VHDL . . . . . . . . . . . . . . . . .
68
5.2
MD5 Brute-Force: FPGA Ressourcen-Nutzung – Mitrion . . . . . . . . . . . . . . . . .
69
5.3
Leistungsvergleich der MD5-Hardware-Implementierungen . . . . . . . . . . . . . . . .
70
5.4
Maximale Suchdauer MD5-basierter Passwörter (VHDL-Implementierung) . . . . . . .
71
5.5
Lösungen einiger N-Damenprobleme . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
5.6
26-Damenproblem: Ressourcen-Nutzung – VHDL . . . . . . . . . . . . . . . . . . . .
76
6.1
Performance-Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
6.2
Entwicklungszeit und Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
102
Tabellenverzeichnis
103
Auflistungsverzeichnis
4.1
Mitrion-C Beispielprogramm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
4.2
Mitrion Bandbreitengraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
5.1
Mitrion-C-Programm zum Test der SRAM-Anbindung . . . . . . . . . . . . . . . . . .
56
5.2
Mitrion-C-Programm zum Test des Direct Streaming . . . . . . . . . . . . . . . . . . .
59
5.3
Umsetzung der MD5-Operationen (Runden 1 und 2) in VHDL . . . . . . . . . . . . . .
67
5.4
Mitrion-C MD5-Pipeline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
5.5
Damenproblem – Mitrion-C Bandbreitengraph nach der Optimierung . . . . . . . . . .
78
A.1 Steuerung der SRAM-Kommunikation mit VHDL . . . . . . . . . . . . . . . . . . . . . 107
A.2 SRAM Latenzmessung mit VHDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.3 Ausschnitte des C Programms zur Durchsatzmessung des SRAM . . . . . . . . . . . . . 110
A.4 Direct Streaming VHDL-Implementierung . . . . . . . . . . . . . . . . . . . . . . . . . 112
A.5 Messschleife – Direct Streaming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
A.6 Memory Mapped Registers: VHDL-Implementierung . . . . . . . . . . . . . . . . . . . 114
A.7 Messschleife – Memory Mapped Registers . . . . . . . . . . . . . . . . . . . . . . . . . 116
A.8 VHDL MD5-Pipeline (Ausschnitt) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
A.9 MD5 Hash-Vergleich in VHDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
A.10 MD5 Klartextrückgewinnung in VHDL . . . . . . . . . . . . . . . . . . . . . . . . . . 119
A.11 Datenübertragung MD5-Brute-Force Hostprogramm . . . . . . . . . . . . . . . . . . . 121
A.12 Erster Versuch einer Mitrion-C-Implementierung des Damenproblems . . . . . . . . . . 123
A.13 Bandbreitengraph Damenproblem Mitrion-C (1) . . . . . . . . . . . . . . . . . . . . . . 125
A.14 Optimierte Mitrion-C-Implementierung des Damenproblems . . . . . . . . . . . . . . . 126
A.15 Damenproblem: Native C-Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
A.16 Damenproblem: Java Interface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
104
Auflistungsverzeichnis
105
Literaturverzeichnis
[AD09]
A RBEITER, Stefan ; D EEG, Matthias: Bunte Rechenknechte - Grafikkarten beschleunigen
Passwort-Cracker. In: c’t 2009, Heft 6 (2009)
[Dev07]
D EVINE, Christophe: MD5 Source Code. Webseite. Oktober 2007. – http://xyssl.
org/code/source/md5
[Hoc08]
H OCHBERGER, Christian: Hardware-Synthese für eingebettete Systeme. Vorlesungsfolien.
2008. – http://www.mr.inf.tu-dresden.de
[IJ08]
I LSCHE, Thomas ; J UCKELAND, Guido: First experiences with SGI RASC at TU Dresden /
Center for Information Services and High Performance Computing, TU Dresden, Germany.
2008. – Forschungsbericht
[Int06]
I NTEL: Dual-Core Update to the Intel Itanium 2 Processor Referenz Manual For Softare
Development and Optimization. Revision 0.9, Januar 2006
[KC07]
K REINDLER, Danny ; C ORPORATION, Altera. How to implement double-precision floatingpoint on FPGAs. White Paper. Oktober 2007
[Mä08]
M ÄDER, Andreas: VHDL Kompakt. Universität Hamburg, MIN-Fakultät, Department Informatik, Oktober 2008
[Mit08a]
M ITRIONICS:
tion.
Low Power Hybrid Computing for Efficient Software Accelera-
White Paper.
2008. –
http://www.mitrion.com/?document=
Hybrid-Computing-Whitepaper.pdf
[Mit08b]
M ITRIONICS: Mitrion User’s Guide, 2008. – http://forum.mitrionics.com/
uploads/Mitrion_Users_Guide.pdf
[PNS]
P REUSSER, Thomas B. ; NÄGEL, Bernd ; S PALLEK, Rainer G.: [email protected] Projekt. –
http://queens.inf.tu-dresden.de/
[PNS09]
P REUSSER, Thomas B. ; NÄGEL, Bernd ; S PALLEK, Rainer G.: Putting Queens in Carry
Chains / Institut für Technische Informatik, TU Dresden, Germany. 2009. – Forschungsbericht. ftp://ftp.inf.tu-dresden.de/pub/berichte/tud09-03.pdf. –
ISSN 1430–211X
[Pre05]
P REUSSER, Thomas B. VHDL - Ein Überblick. Vorlesungsfolien. Juni 2005
[Riv92]
R IVEST, Ronald L.: The MD5 Message-Digest Algorithm. Webseite. April 1992. – http:
//tools.ietf.org/html/rfc1321
[SGI08]
SGI:
Reconfigurable Application-Specific Computing User’s Guide, 2008. –
http://techpubs.sgi.com/library/manuals/4000/007-4718-007/
pdf/007-4718-007.pdf
106
[Smi96]
Literaturverzeichnis
S MITH, Douglas J.: VHDL & Verilog Compared & Contrasted - Plus Modeled Example
Written in VHDL, Verilog and C / VeriBest Incorporated. 1996. – Forschungsbericht
[Som02]
S OMERS, Jeff: The N Queens Problem - a study in optimization. 2002. – http://www.
jsomers.com/nqueen_demo/nqueens.html
[SSWW08] S TRENSKI, Dave ; S IMKINS, Jim ; WALKE, Richard ; W ITTIG, Ralph. Revaluating FPGAs
for 64-bit Floating-Point Calculations. White Paper. Mai 2008
[Str07]
S TRENSKI, Dave. FPGA Floating Point Performance - a pencil and paper evaluation.
White Paper. Januar 2007
[Wag08]
WAGNER, Michael: Grafikprozessoren als Hardwarebeschleuniger - Vergleich der Ansätze
von NVIDIA und AMD zur Nutzung der Ressourcen aktueller Grafikprozessoren für allgeimeine Anwendungen. Zentrum für Informationsdienste und Hochleistungsrechnen, Diplomarbeit, Oktober 2008
[Wan98]
WANNEMACHER, Markus: Das FPGA-Kochbuch. MITP-Verlag, 1998. – ISBN 3-82662712-1
[Wik09]
W IKIPEDIA: Field Programmable Gate Array. April 2009. – http://de.wikipedia.
org/wiki/Fpga
[WY05]
WANG, Xiaoyun ; Y U, Hongbo: How to Break MD5 and Other Hash Functions / Shandong
University, Jinan 250100, China. 2005. – Forschungsbericht
[Xil]
X ILINX: Getting started with FPGAs. Webseite. – http://www.xilinx.com/
company/gettingstarted/index.htm
[Xil07]
X ILINX:
Virtex-4 Family Overview, DS112 (v3.0).
Produkt Spezifikation.
Sep-
tember 2007. – http://www.xilinx.com/support/documentation/data_
sheets/ds112.pdf
[Xil08a]
X ILINX:
2008.
Floating-Point Operator v4.0, DS335.
–
Produkt Spezifikation.
April
http://www.xilinx.com/support/documentation/ip_
documentation/floating_point_ds335.pdf
[Xil08b]
X ILINX: Virtex-4 FPGA Configuration User Guide. v2.10, April 2008. – http://www.
xilinx.com/support/documentation/user_guides/ug071.pdf
[Xil08c]
X ILINX: Virtex-4 FPGA User Guide, 2008. – http://www.xilinx.com/support/
documentation/user_guides/ug070.pdf
[Xil09a]
X ILINX:
Virtex-5 Family Overview, DS100 (v5.0).
bruar 2009. –
Produkt Spezifikation.
Fe-
http://www.xilinx.com/support/documentation/data_
sheets/ds100.pdf
[Xil09b]
X ILINX:
2009. –
Virtex-6 Family Overview, DS150 (v1.1).
Produkt Spezifikation.
Mai
http://www.xilinx.com/publications/prod_mktg/Virtex6_
Overview.pdf
107
A Quellcodes
A.1 SRAM-Schnittstelle
Auflistung A.1: Steuerung der SRAM-Kommunikation mit VHDL
0
5
-------
extractor
extractor
extractor
extractor
extractor
extractor
VERSION: 1.4
CS: 2.2
SRAM:sram0_in 524288 128 sram[0] 0x0000 in u stream
SRAM:sram1_out 524288 128 sram[1] 0x0000 out u stream
REG_IN:op_count 19 u alg_def_reg[0][18:0]
REG_IN:inc_val 8 u alg_def_reg[0][47:32]
-- Schnittstelle ...
-- Signaldefinitionen ...
10
15
20
25
30
35
40
45
-- parameters set with algorithm defined register
op_count <= adr0(18 downto 0);
inc_value <= adr0(47 downto 32);
-- request values from SRAM0
mem0_rd_cmd_vld <= sram0_rd_cmd_vld;
mem0_rd_addr <= sram0_alg_offset(9) & mem0_idx & "0000";
read_mem: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
sram0_rd_cmd_vld <= ’0’;
if (rst = ’1’) then --synchronous reset
mem0_idx <= (others => ’0’);
read_done <= ’0’;
else
if (read_done = ’0’) AND (sram0_rd_busy = ’0’) then
sram0_rd_cmd_vld <= ’1’;
end if;
if sram0_rd_cmd_vld = ’1’ then
mem0_idx <= mem0_idx + 1;
end if;
if mem0_idx = op_count then
read_done <= ’1’;
end if;
end if;
end if;
end process;
-- write values from sram0 to sram1
mem1_wr_be
<= X"ffff";
mem1_wr_addr <= sram1_alg_offset(9) & mem1_idx & "0000";
mem1_wr_cmd_vld <= sram1_wr_cmd_vld;
write_mem: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
108
50
55
60
ANHANG A. QUELLCODES
sram1_wr_cmd_vld <= ’0’;
if (rst = ’1’) then --synchronous reset
mem1_wr_data <= (others => ’0’);
mem1_idx <= (others => ’0’);
write_done <= ’0’;
else
if (sram0_rd_data_vld = ’1’) AND (write_done = ’0’) then
-- split input into two 64 Bit values and add inc_value to both
mem1_wr_data(127 downto 80) <= sram0_rd_data(127 downto 80);
mem1_wr_data(79 downto 64) <= sram0_rd_data(79 downto 64) + inc_value;
mem1_wr_data(63 downto 16) <= sram0_rd_data(63 downto 16);
mem1_wr_data(15 downto 0) <= sram0_rd_data(15 downto 0) + inc_value;
sram1_wr_cmd_vld <= ’1’;
end if;
if sram1_wr_cmd_vld = ’1’ then
mem1_idx <= mem1_idx + 1;
end if;
65
70
if mem1_idx = op_count then
write_done <= ’1’;
end if;
end if;
alg_done <= write_done;
end if;
end process;
A.1. SRAM-SCHNITTSTELLE
Auflistung A.2: SRAM Latenzmessung mit VHDL
0
5
10
15
20
25
30
35
40
proc_latency:process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
mem2_wr_cmd_vld
mem2_rd_cmd_vld
mem2_wr_addr <=
mem2_rd_addr <=
<= ’0’;
<= ’0’;
(others => ’0’);
(others => ’0’);
if (rst = ’1’) then --synchronous reset
mem2_wr_data(63 downto 0) <= (others => ’0’);
ctr <= (others => ’0’);
mem2_wr_done <= ’0’;
mem2_rd_start <= ’0’;
mem2_rd_done <= ’0’;
-- extractor REG_OUT:mem2_latency 64 u debug_port[4]
debug4 <= (others => ’0’);
else
ctr <= ctr + 1;
if mem2_wr_done =
mem2_wr_data(11
mem2_wr_data(63
mem2_wr_cmd_vld
mem2_wr_done <=
end if;
’0’ AND sram2_wr_busy = ’0’ then
downto 0) <= ctr; -- write current ctr
downto 12) <= (others => ’0’);
<= ’1’;
’1’;
if mem2_rd_start = ’0’ AND mem2_wr_done = ’1’ AND sram0_rd_busy = ’0’ then
mem2_rd_cmd_vld <= ’1’;
mem2_rd_start <= ’1’;
debug4(23 downto 12) <= ctr;
end if;
if sram2_rd_data_vld = ’1’ AND mem2_rd_done = ’0’ then
debug4(35 downto 24) <= ctr;
debug4(11 downto 0) <= sram2_rd_data(11 downto 0);
mem2_rd_done <= ’1’;
end if;
end if;
end if;
end process;
109
110
ANHANG A. QUELLCODES
Auflistung A.3: Ausschnitte des C Programms zur Durchsatzmessung des SRAM
0
5
10
unsigned long *in;
unsigned long *out;
int main(int argc, char *argv[]){
// evaluate command line arguments
...
// variables declaration
...
// allocate memory
if(buffers_make(&arguments) < 0){
printf("buffers_make failed\n");
return -1;
}
15
// initialize input values (arguments.size*2) 64 Bit values
for (i = 0; i < arguments.size*2; i++) {
*(in+i)=0;
}
20
// special argument for VHDL implementation
if(arguments.vhdl == TRUE){
if(arguments.nop == TRUE){
op_count = 0;
}else{
op_count = arguments.size - 1;
}
res = rasclib_algorithm_reg_write(al_desc, "op_count", &op_count, 1,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of op_count failed at %d: %d\n", __LINE__, res);
rasclib_perror("reg write of op_count", res);
return 1;
}
}
25
30
35
40
45
50
// send value to be added by algorithm to every 64 Bit value
res = rasclib_algorithm_reg_write(al_desc, "inc_val", &inc, 1,
RASCLIB_IMMED_CMD);
if(res != RASCLIB_SUCCESS){
fprintf(stderr,"reg write of alg_inc_val failed at %d: %d\n", __LINE__, res);
rasclib_perror("reg write of alg_inc_val", res);
return 1;
}
start = gtod(); // get start time
// loop for measuring throughput
for(i = 0; i<arguments.cycles;i++){
res = rasclib_algorithm_send(al_desc, "sram0_in", in, arguments.num_bytes);
if(res != RASCLIB_SUCCESS) {
fprintf(stderr,"send failed at %d: %d\n", __LINE__, res);
return 1;
}
rasclib_algorithm_go(al_desc); // start algorithm
55
res = rasclib_algorithm_receive(al_desc, "sram1_out",out,arguments.num_bytes)
;
if(res != RASCLIB_SUCCESS){
fprintf(stderr,"recv failed at %d: %d\n", __LINE__, res);
return 1;
}
A.1. SRAM-SCHNITTSTELLE
111
rasclib_algorithm_commit(al_desc, NULL);
rasclib_algorithm_wait(al_desc);
60
}
end = gtod(); // get end time
if(arguments.vhdl == TRUE){
rasclib_algorithm_reg_read(al_desc, "mem2_latency", &debug1,1,
RASCLIB_IMMED_CMD);
rasclib_algorithm_commit(al_desc, NULL);
65
printf("mem2_latency vector = 0x%lx - ",debug1);
printf("busy error vector = 0x%lx\n",debug2);
latency=(unsigned int)(((debug1&0xFFF000000)>>24)-((debug1&0xFFF000)>>12));
printf("SRAM access latency (1) = %d clock cycles (%d ns @200MHz) \n",latency
,latency*5);
70
}
buffers_free(arguments.io);
rasclib_huge_clear();
return 0;
75
}
80
// allokate memory depending on IO method
int buffers_make(struct cargs *args){
if (RASCLIB_DIRECT_IO == (*args).io) {
in = (unsigned long *) rasclib_huge_alloc((*args).num_bytes);
out = (unsigned long *) rasclib_huge_alloc((*args).num_bytes);
85
if(in == NULL || out == NULL) {
buffers_free((*args).io);
rasclib_huge_clear();
return -1;
}
}else{
in = (unsigned long *) malloc((*args).num_bytes);
out = (unsigned long *) malloc((*args).num_bytes);
90
if (in == NULL || out == NULL) {
buffers_free((*args).io);
return -1;
}
95
}
return 0;
100
}
105
110
void buffers_free(int iomethod){
if(RASCLIB_DIRECT_IO == iomethod){
rasclib_huge_free(in);
rasclib_huge_free(out);
}else{
free(in);
free(out);
}
}
112
ANHANG A. QUELLCODES
A.2 Direct Streaming
Auflistung A.4: Direct Streaming VHDL-Implementierung
0
------
extractor
extractor
extractor
extractor
extractor
CS: 2.2
VERSION:1.3
STREAM_IN:strm_in 0 0
STREAM_OUT:strm_out 0 0
REG_IN:inc_val 16 u alg_def_reg[0][15:0]
5
-- Schnittstelle ...
-- Signaldefinitionen ...
10
15
20
25
30
-- parameter set with algorithm defined register
inc_value <= adr0(15 downto 0);
-- start reading, when stream data are ready and algorithm is ready
strm_in_0_rd_en <= strm_in_data_rdy AND rd_en;
strm: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
rd_en <= ’0’;
strm_out_0_data(127 downto 80) <= strm_in_data(127 downto 80);
strm_out_0_data(79 downto 64) <= strm_in_data(79 downto 64) + inc_value;
strm_out_0_data(63 downto 16) <= strm_in_data(63 downto 16);
strm_out_0_data(15 downto 0) <= strm_in_data(15 downto 0) + inc_value;
if (rst = ’1’) then --synchronous reset
strm_out_0_data_vld <= ’0’;
strm_out_0_data_last <= ’0’;
strm_out_0_flush <= ’0’;
strm_out_0_data <= (others => ’0’);
alg_done <= ’0’;
else
if strm_out_almost_busy = ’0’ AND strm_in_complete=’0’ then
rd_en <= ’1’;
end if;
strm_out_0_data_vld <= strm_in_vld;
35
40
45
-- end of stream, send last value
if strm_in_complete = ’1’ then
strm_out_0_data_last <= ’1’;
strm_out_0_flush <= ’1’;
end if;
alg_done <= strm_out_flushed;
end if;
end if;
end process;
Auflistung A.5: Messschleife – Direct Streaming
0
5
starttime = gtod();
for(i=0;i<arguments.cycles;i++){
cop_desc = rasclib_cop_open(arguments.algID, arguments.io);
if (cop_desc == RASCLIB_FAIL) {
fprintf(stderr,"open failed at %d: %d\n", __LINE__, cop_desc);
rasclib_perror("open", res);
return 1;
}
res = rasclib_cop_reg_write(cop_desc,"inc_val",&inc,1,RASCLIB_IMMED_CMD);
A.2. DIRECT STREAMING
113
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of inc_val failed at %d: %d\n", __LINE__, res);
rasclib_perror("reg write of inc_val", res);
return 1;
}
10
15
starttime2 = gtod();
// send input stream data
res = rasclib_cop_send(cop_desc, "strm_in", in, arguments.num_bytes);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"send failed at %d: %d\n", __LINE__, res);
rasclib_perror("send", res);
return 1;
}
20
// Signal input stream complete
rasclib_cop_send_complete(cop_desc, "strm_in");
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"send_complete failed at %d: %d\n", __LINE__, res);
rasclib_perror("send", res);
return 1;
}
25
30
rasclib_cop_go(cop_desc); // start fpga algorithm
// receive output stream data
res = rasclib_cop_receive(cop_desc, "strm_out", out, arguments.num_bytes);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"recv failed at %d: %d\n", __LINE__, res);
rasclib_perror("receive", res);
return 1;
}
35
40
rasclib_cop_commit(cop_desc, NULL);
rasclib_cop_wait(cop_desc);
endtime = gtod();
rasclib_cop_close(cop_desc);
45
}
50
55
60
rasclib_resource_return(arguments.algID, 1);
rasclib_resource_release(1, resrv_name);
if(arguments.cycles > 1){
time = endtime - starttime;
}else{
time = endtime - starttime2;
}
// print results to stdout
printf("%f MByte/s (%f MiByte) throughput ",
(float)(arguments.cycles*(arguments.num_bytes/time/1000000.0)),
(float)(arguments.cycles*(arguments.num_bytes/time/1024/1024)));
114
ANHANG A. QUELLCODES
A.3 Memory Mapped Registers
Auflistung A.6: Memory Mapped Registers: VHDL-Implementierung
0
5
-- Register 32 is used for flags (read and write by host and FPGA possible)
-- extractor REG_IN:finish_alg 1 u alg_def_reg[32][63]
-- extractor REG_IN:adr_used 5 u alg_def_reg[32][4:0]
-- Registers 0 to 15 are used as Register-Input (16 64Bit-values at once)
-- extractor REG_IN:fat_in 1024 u alg_def_reg[0][1023:0]
-- Registers 16 to 31 are used as Register-Output (16 64Bit-values at once)
-- extractor REG_IN:fat_out 1024 u alg_def_reg[16][1023:0]
10
15
20
25
30
35
40
45
50
55
-- Schnittstelle ...
-- Signaldefinitionen ...
-- manage input data
proc_input: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
fifo_put <= ’0’;
FOR i IN 0 TO 15 LOOP
if adr_updated(i) = ’1’ then
fifo_din <= adr(i);
fifo_put <= ’1’;
end if;
END LOOP;
end if;
end process;
-- get register update latency
proc_debug: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
if (rst = ’1’) then --synchronous reset
debug(1) <= (others => ’0’);
debug(2) <= (others => ’0’);
debug(3) <= (others => ’0’);
debug(4) <= (others => ’0’);
ctr_delay <= (others => ’0’);
else
ctr_delay <= ctr_delay + 1;
if adr_updated /= 0 then
debug(1)(59 downto 0) <= debug(1)(47 downto
debug(2)(59 downto 0) <= debug(2)(47 downto
debug(3)(59 downto 0) <= debug(3)(47 downto
debug(4)(59 downto 0) <= debug(4)(47 downto
end if;
end if;
end if;
end process;
-- manage rasc output
proc_rasc: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
if (rst = ’1’) then --synchronous reset
rasc_out_full <= ’0’;
ctr_rout <= (others => ’0’);
ctr_polled <= (others => ’0’);
debug(5) <= (others => ’0’);
0)
0)
0)
0)
&
&
&
&
ctr_delay;
debug(1)(59 downto 48);
debug(2)(59 downto 48);
debug(3)(59 downto 48);
A.3. MEMORY MAPPED REGISTERS
60
65
70
75
80
85
90
95
debug(6) <= (others => ’0’);
debug(7) <= (others => ’0’);
else
if rasc_out_full = ’1’ then
-- register read done by host
if adr_polled /= 0 then
ctr_polled <= ctr_polled + 1;
-- get polling latency
debug(5)(59 downto 0) <= debug(5)(47 downto 0) & ctr_delay;
debug(6)(59 downto 0) <= debug(6)(47 downto 0) & debug(5)(59 downto 48)
;
debug(7)(59 downto 0) <= debug(7)(47 downto 0) & debug(6)(59 downto 48)
;
end if;
end if;
-- user defined
if ctr_polled =
rasc_out_full
ctr_polled <=
end if;
number of ADRs polled
adr_used then
<= ’0’;
(others => ’0’);
if fifo_vld = ’1’ then
if rasc_out_full = ’0’ then
ctr_rout <= ctr_rout + 1;
end if;
if ctr_rout = adr_used-1 then
rasc_out_full <= ’1’;
ctr_rout <= (others => ’0’);
end if;
end if;
end if;
end if;
end process;
fifo_rd_en <= ’1’ when rasc_out_full = ’0’ AND fifo_empty = ’0’ else ’0’;
-- manage output data
proc_output: process(clk)
begin
if (clk’event and clk = ’1’) then -- rising edge
100
FOR i IN 0 to 15 LOOP
adr_wr_data(i) <= fifo_dout;
END LOOP;
105
adr_wr <= (others => ’0’); -- do not write to output registers
if rasc_out_full = ’0’ AND fifo_vld = ’1’ then
adr_wr(conv_integer(ctr_rout(3 downto 0))) <= ’1’;
end if;
110
115
end if;
end process;
-- finish algorithm execution intiated by host
alg_done <= ’1’ when finish_alg = ’1’ else ’0’;
116
ANHANG A. QUELLCODES
Auflistung A.7: Messschleife – Memory Mapped Registers
0
5
10
15
20
25
30
35
40
45
50
rasclib_cop_go(cop_desc); // Start Bitstream Engine
start = gtod();
for(ctr=0;ctr<arguments.cycles;ctr++){
unsigned long *fatin;
unsigned long *fatout;
fatin=in;
fatout=out;
for(i=0;i<arguments.fifo/arguments.adr_used;i++){
// Send RASC FPGA Input
res = rasclib_cop_reg_write(cop_desc, "fat_in", fatin, arguments.adr_used,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of fat_in failed at %d: %d\n", __LINE__, res);
rasclib_perror("reg write of fat_in", res);
return 1;
}
rasclib_cop_commit(cop_desc, NULL);
fatin=fatin+arguments.adr_used;
}
// Receive values from RASC FPGA
for(i=0;i<arguments.fifo/arguments.adr_used;i++){
// do polling or not
if(arguments.sync==TRUE){
// Wait until all output registers are valid
do{
rasclib_cop_reg_read(cop_desc, "rasc_out_vld", &rasc_out_vld,1,
RASCLIB_IMMED_CMD);
rasclib_cop_commit(cop_desc, NULL);
}while(rasc_out_vld != 1);
}
// Read Fat-Register-Output
rasclib_cop_reg_read(cop_desc, "fat_out", fatout, arguments.adr_used,
RASCLIB_IMMED_CMD);
rasclib_cop_commit(cop_desc, NULL);
fatout=fatout+arguments.adr_used;
}
}
end = gtod();
printf("%f MByte/s (%f MiByte) throughput ",
(float)(arguments.cycles*(arguments.num_bytes/(end-start)
/1000000.0)),
(float)(arguments.cycles*(arguments.num_bytes/(end-start)
/1024/1024)));
printf("(Communication: %f sec)\n", (float)(end-start));
// Read DEBUG Registers
rasclib_cop_reg_read(cop_desc, "debug1",
rasclib_cop_reg_read(cop_desc, "debug2",
rasclib_cop_reg_read(cop_desc, "debug3",
rasclib_cop_reg_read(cop_desc, "debug4",
rasclib_cop_reg_read(cop_desc, "debug5",
rasclib_cop_reg_read(cop_desc, "debug6",
rasclib_cop_reg_read(cop_desc, "debug7",
rasclib_cop_commit(cop_desc, NULL);
&debug[1],1,
&debug[2],1,
&debug[3],1,
&debug[4],1,
&debug[5],1,
&debug[6],1,
&debug[7],1,
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
RASCLIB_IMMED_CMD);
for(i=1;i<8;i++) printf("debug%d = 0x%lx\t",i,debug[i]);
55
DEBUG_OUT("Updated-Latency: ");
for(i=0;i<4;i++){
ulatency[i*4+0] = (unsigned int)(((debug[i+1]&0xFFF000000000)>>36)-((debug[i
A.3. MEMORY MAPPED REGISTERS
117
+1]&0xFFF000000000000)>>48));
ulatency[i*4+1] = (unsigned int)(((debug[i+1]&0xFFF000000)>>24)-((debug[i
+1]&0xFFF000000000)>>36));
ulatency[i*4+2] = (unsigned int)(((debug[i+1]&0xFFF000)>>12)-((debug[i+1]&0
xFFF000000)>>24));
ulatency[i*4+3] = (unsigned int)(((debug[i+1]&0xFFF)>>0)-((debug[i+1]&0
xFFF000)>>12));
60
65
70
}
for(i=0;i<16;i++) printf("[%d]=%d; ",i,ulatency[i]);
DEBUG_OUT("\nPolling-Latency: ");
for(i=0;i<3;i++){
platency[i*4+0] = (unsigned int)(((debug[i+5]&0xFFF000000000)>>36)-((debug[i
+5]&0xFFF000000000000)>>48));
platency[i*4+1] = (unsigned int)(((debug[i+5]&0xFFF000000)>>24)-((debug[i
+5]&0xFFF000000000)>>36));
platency[i*4+2] = (unsigned int)(((debug[i+5]&0xFFF000)>>12)-((debug[i+5]&0
xFFF000000)>>24));
platency[i*4+3] = (unsigned int)(((debug[i+5]&0xFFF)>>0)-((debug[i+5]&0
xFFF000)>>12));
}
for(i=0;i<12;i++) printf("[%d]=%d; ",i,platency[i]);
DEBUG_OUT("\n");
// finish the algorithm ...
118
ANHANG A. QUELLCODES
A.4 MD5-Brute-Force
Auflistung A.8: VHDL MD5-Pipeline (Ausschnitt)
0
-- md5 pipeline logic -------------------------------------------------ramout(0) <= Dinx(0); -- 1st stage (plaintext)
pipeline: process(clk)
begin
if clk’event and clk = ’1’ then -- rising edge
5
-- set 2nd stage plaintext input value
Dinx1 <= Dinx(1);
ramout(1) <= Dinx1;
10
15
-- stages 3 to 15
-- ...
-- 2nd md5 block (stages 16 to 32)
FOR i IN 4 TO 7 LOOP
-- stages a4 to a7
tmp(i*4) <= md5_logic12(Dina(i)(6),Dinc(i)(2),Dind(i)(4),Dinb(i)(0),ramout(
i*4));
Dina(i+1)(0) <= md5_shift2(tmp(i*4),shifts(4),Dinb(i)(1),Dinhex(i*4));
FOR s IN 0 TO 5 LOOP
Dina(i+1)(s+1) <= Dina(i+1)(s);
END LOOP;
20
25
30
35
40
45
-- stages d4 to d7
tmp(i*4+1) <= md5_logic12(Dind(i)(6),Dinb(i)(2),Dinc(i)(4),Dina(i+1)(0),
ramout(i*4+1));
Dind(i+1)(0) <= md5_shift2(tmp(i*4+1),shifts(5),Dina(i+1)(1),Dinhex(i*4+1))
;
FOR s IN 0 TO 5 LOOP
Dind(i+1)(s+1) <= Dind(i+1)(s);
END LOOP;
-- stages c4 to c7
tmp(i*4+2) <= md5_logic12(Dinc(i)(6),Dina(i+1)(2),Dinb(i)(4),Dind(i+1)(0),
ramout(i*4+2));
Dinc(i+1)(0) <= md5_shift2(tmp(i*4+2),shifts(6),Dind(i+1)(1),Dinhex(i*4+2))
;
FOR s IN 0 TO 5 LOOP
Dinc(i+1)(s+1) <= Dinc(i+1)(s);
END LOOP;
-- stages b4 to b7
tmp(i*4+3) <= md5_logic12(Dinb(i)(6),Dind(i+1)(2),Dina(i+1)(4),Dinc(i+1)(0)
,ramout(i*4+3));
Dinb(i+1)(0) <= md5_shift2(tmp(i*4+3),shifts(7),Dinc(i+1)(1),Dinhex(i*4+3))
;
FOR s IN 0 TO 5 LOOP
Dinb(i+1)(s+1) <= Dinb(i+1)(s);
END LOOP;
END LOOP;
-- stages 33 to 64
-- ...
end if;
end process;
A.4. MD5-BRUTE-FORCE
Auflistung A.9: MD5 Hash-Vergleich in VHDL
0
5
10
15
20
25
30
35
-- hash comparison
proc_cmp: process(clk)
begin
if clk’event and clk = ’1’ then -- rising edge
eqhash <= (others => ’0’);
-- 1st md5 checksum part available
if pipe_vld = ’1’ AND douthash(0) = Din_hash(127 downto 96) then
eqhash(0) <= ’1’;
end if;
rdy_part(0) <= eqhash(0);
-- 2 clocks later
if rdy_part(0) = ’1’ AND douthash(3) = Din_hash(31 downto 0) then
eqhash(3) <= ’1’;
end if;
rdy_part(1) <= eqhash(3);
-- 4 clocks later
if rdy_part(1) = ’1’ AND douthash(2) = Din_hash(63 downto 32) then
eqhash(2) <= ’1’;
end if;
rdy_part(2) <= eqhash(2);
-- 6 clocks later
if rdy_part(2) = ’1’ AND douthash(1) = Din_hash(95 downto 64) then
eqhash(1) <= ’1’;
end if;
end if;
end process;
-- signal if pipe has found the hash
proc_equal: process(clk)
begin
if clk’event and clk = ’1’ then -- rising edge
if eqhash(1) = ’1’ then
Vout <= ’1’;
else
Vout <= ’0’;
end if;
end if;
end process;
Auflistung A.10: MD5 Klartextrückgewinnung in VHDL
0
5
10
15
-- the range of ASCII characters to be processed
constant firstchar : positive
:= conv_integer(conv_unsigned(character’POS(’ ’),8));
constant lastchar : positive
:= conv_integer(conv_unsigned(character’POS(’~’),8));
-- std_logic_vectors for first and last ASCII-character
constant vfirstchar : std_logic_vector(7 downto 0)
:= CONV_STD_LOGIC_VECTOR(firstchar,8);
constant vlastchar : std_logic_vector(7 downto 0)
:= CONV_STD_LOGIC_VECTOR(lastchar,8);
-- number of ASCII-characters to be processed
constant characters : positive := lastchar-firstchar+1;
-- the range of ASCII-characters for the first plaintext-character has to be a
multiple of PIPES
constant pipes_norm : positive := getNormPipes(firstchar,lastchar,PIPES);
constant pipes_ov : natural := pipes-pipes_norm;
constant realchars : positive := characters + pipes_ov;
constant vrlastchar : std_logic_vector(7 downto 0)
:= CONV_STD_LOGIC_VECTOR(lastchar + pipes_ov,8);
-- first char has to be reduced by:
constant chardiff0: std_logic_vector(7 downto 0)
119
120
ANHANG A. QUELLCODES
20
:= CONV_STD_LOGIC_VECTOR((131 * PIPES mod realchars),8);
-- second char has to be reduced by:
constant chardiff1: std_logic_vector(7 downto 0)
:= CONV_STD_LOGIC_VECTOR(131 * PIPES / realchars,8);
25
-- does only work if more than 33 different characters are used
proc_cmp:process(clk)
begin
if clk’event and clk = ’1’ then -- rising edge
30
35
40
45
-- check which pipe has found the hash and create plaintext
vld_cmp <= ’0’;
FOR p IN 0 TO PIPES-1 LOOP
if vout_pipe(p) = ’1’ then
vpipe <= p;
vld_cmp <= ’1’;
-- save all characters
-- first two characters can already be adjusted (pipeline depth)
char(0) <= charctrs((CHARS)*8-1 downto (CHARS-1)*8)
- CONV_STD_LOGIC_VECTOR(PIPES-1,8) - chardiff0;
char(1) <= charctrs((CHARS-1)*8-1 downto (CHARS-2)*8) - chardiff1;
FOR c IN 2 TO CHARS-1 LOOP
char(c) <= charctrs((CHARS-c)*8-1 downto (CHARS-c-1)*8);
END LOOP;
end if;
END LOOP;
end if; --clock
end process;
50
55
60
65
70
75
80
proc_plainout:process(clk)
begin
if clk’event and clk = ’1’ then -- rising edge
-- set the plaintext of unused characters
dout_plain(447 downto CHARS*8) <= (others => ’0’);
if rst = ’1’ then
cvld <= (others => ’0’);
else
if vld_cmp = ’1’ then
-- process char0
if char(0) < vfirstchar then
dout_plain((CHARS)*8-1 downto (CHARS-1)*8) <=
vrlastchar - (vfirstchar - char(0))
+ CONV_STD_LOGIC_VECTOR(vpipe,8);
chartmp(1) <= char(1) - 1;
else
dout_plain((CHARS)*8-1 downto (CHARS-1)*8) <=
char(0) + CONV_STD_LOGIC_VECTOR(vpipe-1,8);
chartmp(1) <= char(1);
end if;
-- char0 plaintext is valid
cvld(0) <= ’1’;
end if;
--process char1
if cvld(0) = ’1’ then
if chartmp(1) < vfirstchar then
dout_plain((CHARS-1)*8-1 downto (CHARS-2)*8) <= characters + chartmp(1)
;
chartmp(2) <= char(2) - 1;
else
dout_plain((CHARS-1)*8-1 downto (CHARS-2)*8) <= chartmp(1);
A.4. MD5-BRUTE-FORCE
85
90
95
121
chartmp(2) <= char(2);
end if;
cvld(1) <= ’1’;
end if;
-- set chars 2 to penultimate
FOR c IN 2 TO CHARS-2 LOOP
if cvld(c-1) = ’1’ then
if chartmp(c) < vfirstchar then
dout_plain((CHARS-c)*8-1 downto (CHARS-c-1)*8) <= vlastchar;
chartmp(c+1) <= char(c+1)-1;
else
dout_plain((CHARS-c)*8-1 downto (CHARS-c-1)*8) <= chartmp(c);
chartmp(c+1) <= char(c+1);
end if;
cvld(c) <= ’1’;
end if;
END LOOP;
100
105
110
-- set last char
if cvld(CHARS-2) = ’1’ then
if chartmp(CHARS-1) < vfirstchar then
dout_plain(7 downto 0) <= vlastchar;
else
dout_plain(7 downto 0) <= chartmp(CHARS-1);
end if;
cvld(CHARS-1) <= ’1’;
end if;
end if; --rst
end if;
end process;
-- if last char is processed, set output valid
vld <= cvld(CHARS-1);
Auflistung A.11: Datenübertragung MD5-Brute-Force Hostprogramm
0
5
// stelle zu suchenden Hash und Startklartext bereit ...
// starte den FPGA
if((res = startAlgorithm(&cop_desc)) < RASCLIB_SUCCESS){
fprintf(stderr,"Could not start Algorithm. Error Code: %d\n",res);
rasclib_perror("Algorithm could not be started.", res);
return 1;
}
start = gtod(); // speichere Startzeit
10
15
20
25
// sende zu suchenden Hash
res = rasclib_cop_reg_write(cop_desc, "md5hash",
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of md5hash failed at
rasclib_perror("reg write of md5hash", res);
return 1;
}
// sende Startklartext
res = rasclib_cop_reg_write(cop_desc, "md5init",
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of md5init failed at
rasclib_perror("reg write of md5init", res);
return 1;
}
din_hash, SIZE_HASH,
%d: %d\n", __LINE__, res);
din_init, SIZE_INIT,
%d: %d\n", __LINE__, res);
122
30
ANHANG A. QUELLCODES
// starte die Suche
start_md5 = 1;
res = rasclib_cop_reg_write(cop_desc, "start", &start_md5, 1, RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of start failed at %d: %d\n", __LINE__, res);
rasclib_perror("reg write of start", res);
return 1;
}
rasclib_cop_commit(cop_desc, NULL);
35
40
// Warte, bis der Hash gefunden oder alle Moeglichkeiten durchprobiert wurden
do {
rasclib_cop_reg_read(cop_desc, "rasc_out_vld", &rasc_out_vld, 1,
RASCLIB_IMMED_CMD);
rasclib_cop_commit(cop_desc, NULL);
} while (rasc_out_vld != 1);
// lese den Klartext
rasclib_cop_reg_read(cop_desc, "plain448", dout_plain, SIZE_PLAIN,
RASCLIB_IMMED_CMD);
rasclib_cop_commit(cop_desc, NULL);
45
end = gtod(); // speichere Endzeit
50
// gebe Klartext aus
DEBUG_OUT("Plaintext as 64bit hexadecimal values: \n");
for(i=0;i<SIZE_PLAIN;i++){
printf("0x%lx - ",dout_plain[i]);
long2String((unsigned long long *)&dout_plain[i]);
DEBUG_OUT("\n");
}
55
60
65
70
75
// gebe den Zeitbedarf und die Hashes pro Sekunde aus
printf("Die Programmlaufzeit betrug %lf Sekunden\n", (double)(end-start));
// no. of hashes created:
// 1st char: 96 characters (multiple of implemented pipelines)
// 2nd to 5th char: ASCII 32 to 126 (95 characters)
printf("%.3lfM Hashes/sec\n",96*pow(95,4)/1000000.0/(end-start));
// beende den Algorithmus
finish_alg = 1;
res = rasclib_cop_reg_write(cop_desc, "finish_alg", &finish_alg, 1,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
fprintf(stderr,"reg write of finish_alg failed at %d: %d\n",__LINE__, res);
rasclib_perror("reg write of finish_alg", res);
return 1;
}
// gebe den FPGA frei
if((res = freeFPGA(&cop_desc, alg_name)) < RASCLIB_SUCCESS){
fprintf(stderr,"Could not release FPGA. Error Code: %d\n",res);
rasclib_perror("FPGA could not be released.", res);
return 1;
}
A.5. DAMENPROBLEM
123
A.5 Damenproblem
Auflistung A.12: Erster Versuch einer Mitrion-C-Implementierung des Damenproblems
0
5
10
Mitrion-C 1.5;
// options: -cpp
#define
#define
#define
#define
N 26
L
6
L_1 5
NL 20
#define SLICES 1
#define PREPLACEMENTS 1
#define SEQ_PRE 1 //PREPLACEMENTS/SLICES
#define ExtRAM
15
20
25
30
35
40
mem bits:128[2048]
/**Calculates all completions of valid Queens placements on a NxN board
* under the pre-placement provided in cs as:
|...|col(0)|col(1)|...|col(L-1)|
col(i): 5 bits
*
* This encoding is valid up to L = 6 and N=32 when col(0) is placed only
* up to the middle row - thus requiring, at most, 4 bits.
cs Pre-Placement
* @param
* @return Number of valid Board Completions. (46 Bit should be enough)
*/
uint:46 solveQueens(uint:32 cs){
mem_bh0
mem_bu0
mem_bd0
mem_sl0
=
=
=
=
memcreate(mem
memcreate(mem
memcreate(mem
memcreate(mem
uint:32[N]
uint:32[N]
uint:32[N]
uint:32[N]
mem_bh_last);
mem_bu_last);
mem_bd_last);
mem_sl_last);
//
//
//
//
blocking horizontal
blocking upwards
blocking downwards
free slots yet to try
// Initialize Blocking
uint:32 bh0 = 0;
uint:32 bu0 = 0;
uint:32 bd0 = 0;
uint:32 zero = 0;
// get blocking from pre-placement
(uint:32,uint:32,uint:32)(bh1, bu1, bd1) = for(i in < 0 .. L_1 >) {
uint:32 q = (uint:32)1 << (0x1F & (cs >> (uint:32)((L-i-1)*5)));
bh0 = bh0 | q;
bu0 = (uint:32)(bu0|q) << 1;
bd0 = (bd0|q) >> 1;
}(bh0,bu0,bd0);
mem_bh1 = memwrite(mem_bh0,L,bh1);
mem_bu1 = memwrite(mem_bu0,L,bu1);
mem_bd1 = memwrite(mem_bd0,L,bd1);
45
uint:32 sl = ~(((uint:32)(~((uint:32)0)) << N)| bh1 | bu1 | bd1);
mem_sl1 = memwrite(mem_sl0,L,sl);
tuple{mem uint:32[N], mem uint:32[N], mem uint:32[N], mem uint:32[N]} mem_loop
= tup(mem_bh1, mem_bu1, mem_bd1, mem_sl1);
50
55
// Explore Solutions
uint:46 cnt0 = 0;
int:32 i = L;
(cnt,mem_al) = while(i >= L) {
(mem_bht, mem_but, mem_bdt, mem_slt) = untup(mem_loop);
(slot,mem_slt1) = memread(mem_slt,i);
mem_loop1 = tup(mem_bht, mem_but, mem_bdt, mem_slt1);
(i,cnt0,mem_loop) = if(slot == 0) {
124
60
65
70
75
80
ANHANG A. QUELLCODES
uint:32 inn = i-1;
} (inn, cnt0, mem_loop1)
else {
sloti = slot & (uint:32)-slot;
(itmp,cnttmp, mem_looptmp) = if(i < (N-1)) {
p = i;
int:32 ip1 = i +1;
(slp,mem_slt2)= memread(mem_slt1,i);
slpp = slp ^ sloti;
mem_slt3 = memwrite(mem_slt2, i, slpp);
(bhp,mem_bht1) = memread(mem_bht,i);
(bup,mem_but1) = memread(mem_but,i);
(bdp,mem_bdt1) = memread(mem_bdt,i);
bhps = bhp | sloti;
bups = (uint:32)(bup | sloti) << 1;
bdps = (bdp | sloti) >> 1;
mem_bht2 = memwrite(mem_bht1,ip1,bhps);
mem_but2 = memwrite(mem_but1,ip1,bups);
mem_bdt2 = memwrite(mem_bdt1,ip1,bdps);
sslip1 = ~(((uint:32)(~((uint:32)0)) << N)|bhps|bups|bdps);
85
90
95
100
105
110
115
mem_slt4 = memwrite(mem_slt3,ip1,sslip1);
mem_loop2 = tup(mem_bht2, mem_but2, mem_bdt2, mem_slt4);
}(ip1,cnt0,mem_loop2)
else{
// Count Solution and proceed with preceding Column
uint:46 cnt0n = cnt0 + 1;
watch cnt0n;
int:32 inn=N-2;
}(inn,cnt0n,mem_loop1);
}(itmp,cnttmp,mem_looptmp);
}(cnt0,mem_loop);
(mem_bh_last, mem_bu_last, mem_bd_last, mem_sl_last) = untup(mem_al);
}(cnt);
(ExtRAM, ExtRAM) main(ExtRAM sram0, ExtRAM sram1){
// read pre-placements from SRAM0
(sram0pre,listpre) = foreach(idx in <0 .. PREPLACEMENTS-1>){
(pre128,sram0_pre) = memread(sram0,idx);
bits:32 pre32 = (bits:32)pre128;
}(sram0_pre,pre32);
// define number of slices and sequential execution
prepls2 = reshape(listpre, <SLICES><SEQ_PRE>);
prepls3 = reformat(prepls2,[SLICES]<SEQ_PRE>);
sram1all = foreach(pres_elem in prepls3 by idx){
sram1slices = foreach(pre_elem in pres_elem by idx_pre){
uint:46 psol = solveQueens((uint:32)pre_elem);
psol128 = (uint:128)psol;
sram1ps = memwrite(sram1,idx*SEQ_PRE+idx_pre,psol128);
watch psol;
}sram1ps;
}sram1slices;
}(sram0pre,sram1all);
A.5. DAMENPROBLEM
Auflistung A.13: Bandbreitengraph Damenproblem Mitrion-C (1)
0
5
10
15
20
-------------------------- Summary: Bandwidth Graph -------------------------ROOT
| l: 6.0 ch: 6 rch : 6 BW limited. body ch: 6 rch: 6
|--1
| iterations: 1
|
Env/main/foreach<1>
| l: 1.0 ch: 1 rch : 6 BW limited. body ch: 1 rch: 6
| |--1
| | iterations: 1
| | l: 1.0 ch: 1 rch : 6 BW limited. body ch: 1 rch: 6
|--2
| iterations: 1
|
Env/main/foreach[1]/foreach<1>
| l: 6.0 ch: 6 rch : 6 BW limited. body ch: 6 rch: 6
|--1
| iterations: 6
|
...nv/main/foreach[1]/foreach<1>/solveQ26/for<6>
| l: 60.0 ch: 6 rch : 6 Latency limited dataloop. body latency: 10.0
|--2
| iterations: 1
|
Env/main/foreach[1]/foreach<1>/solveQ26/while
| l: 15.0 ch: 1 rch : 6 Latency limited dataloop. body latency: 15.0
------------------------ End Summary: Bandwidth Graph ------------------------
125
126
ANHANG A. QUELLCODES
Auflistung A.14: Optimierte Mitrion-C-Implementierung des Damenproblems
0
5
Mitrion-C 1.5;
// options: -cpp
#define N 26
#define L
6
#define NNN 78
// N*3
#define SLICES 2
#define PREPLACEMENTS 16
#define PERSLICE 8
10
15
20
/**Calculates all completions of valid Queens placements on a NxN board
* under the pre-placement provided in cs as:
|...|col(0)|col(1)|...|col(L-1)|
col(i): 5 bits
*
* This encoding is valid up to L = 6 and N=32 when col(0) is placed only
* up to the middle row - thus requiring, at most, 4 bits.
cs Pre-Placement
* @param
* @return Number of valid Board Completions. (46 Bit should be enough)
*/
uint:46 solveQueens(uint:32 cs){
// create internal RAM (Block-RAM)
// blocking (horizontal, diagonal up, diagonal down)
mem_b0 = memcreate(mem bits:NNN[N] mem_b_last);
mem_sl0 = memcreate(mem bits:N[N] mem_sl_last); // free slots yet to try
25
// Initialize
bits:N bh0 =
bits:N bu0 =
bits:N bd0 =
30
(bits:N,bits:N,bits:N)(bh1, bu1, bd1) = for(i in < 0 .. L-1 >) {
uint:N q = (uint:N)1 << (0x1F & (cs >> (uint:32)((L-i-1)*5)));
bh0 = bh0 | q;
bu0 = (bits:N)(bu0|q) << 1;
bd0 = (bd0|q) >> 1;
}(bh0,bu0,bd0);
mem_b1 = memwrite(mem_b0,L,[bh1,bu1,bd1]);
35
Blocking
0;
0;
0;
bits:N sl = ~(bh1|bu1|bd1);
mem_sl1 = memwrite(mem_sl0,L,sl);
40
tuple{mem bits:NNN[N], mem bits:N[N]} mem_loop = tup(mem_b1, mem_sl1);
45
50
// Explore Solutions
uint:46 cnt0 = 0;
int:6 i = L;
(cnt,mem_al) = while(i >= L) {
(mem_bt, mem_slt) = untup(mem_loop);
// 3 cycles delay
(slot,mem_slt1) = memread(mem_slt,i); //watch slot;
// 1 cycle delay
(bp,mem_bt1) = memread(mem_bt,i);
bits:N[3] bparray = bp;
(bhp, bup, bdp) = (bparray[0],bparray[1],bparray[2]);
55
60
// if free slot has been found and not last column
(mem_loop) = if((slot != (bits:N)0) && (i < (N-1))){
// prepare slots and blocking (2 cycles)
nslot = slot & (uint:N)-((uint:N)slot); // next slot to try
bits:N cslots = slot ^ nslot; //watch cslots; // set current column slots
// set next column blocking and slots
A.5. DAMENPROBLEM
bits:N bh_nc = bhp | nslot;
bits:N bu_nc = (bits:N)(bup | nslot) << 1;
bits:N bd_nc = (bdp | nslot) >> 1;
slots_nc = ~(bh_nc|bu_nc|bd_nc); //watch slots_nc;
65
70
75
80
85
90
// write blocking and slot (2 cycles)
mem_bt2 = memwrite(mem_bt1,(int:6)(i+1),[bh_nc, bu_nc, bd_nc]);
mem_slt2 = memwrite(mem_slt1, i, cslots);
mem_slt3 = memwrite(mem_slt1,(int:6)(i+1),slots_nc);
mem_loop2 = tup(mem_bt2, mem_slt3);
}(mem_loop2)
else (mem_loop);
// set next i (loop dependend variable) and solution counter
(i,cnt0) = if(slot == (bits:N)0){
int:6 im1 = i-1;
}(im1, cnt0)
else{
(itmp,cnttmp) = if(i < (N-1)) { // is last column?
int:6 ip1 = i + 1;
}(ip1,cnt0)
else{
// Count Solution and proceed with preceding Column
uint:46 cnt0n = cnt0 + 1; //watch cnt0n;
int:6 inn=N-2;
}(inn,cnt0n);
}(itmp,cnttmp);
}(cnt0,mem_loop);
(mem_b_last, mem_sl_last) = untup(mem_al);
}(cnt);
95
100
105
#define ExtRAM mem bits:128[2048]
(ExtRAM, ExtRAM) main(ExtRAM sram0, ExtRAM sram1){
(sram0all,sram1all) = foreach(idx_slc in [0 .. SLICES - 1]){
(sram0slices, sram1slices) = foreach(idx_pre in <0 .. PERSLICE - 1>) {
idx = idx_slc*PERSLICE+idx_pre;
(pre128, sram0ps) = memread(sram0,idx);
bits:32 pre32 = (bits:32)pre128;
uint:46 psol = solveQueens((uint:32)pre32);
psol128 = (uint:128)psol; watch psol;
sram1ps = memwrite(sram1,idx,psol128);
}(sram0ps,sram1ps);
}(sram0slices,sram1slices);
}(sram0all,sram1all);
127
128
ANHANG A. QUELLCODES
Auflistung A.15: Damenproblem: Native C-Funktionen
<jni.h>
"stdlib.h"
"string.h"
"rasc/rasclib.h"
0
#include
#include
#include
#include
5
// for queens we are using bufferd IO, because communication is not critical
#define IO_TYPE RASCLIB_BUFFERED_IO
#define ERROR_TIMEOUT (-51)
int freeFPGA(int *cop_desc, char const *const algID);
10
15
/* return value: COP descriptor (SUCCESS) or error code (FAILURE) */
JNIEXPORT jint JNICALL Java_jrasc_JRasc_reserveFPGA(JNIEnv *jenv,
jclass const clsJRasc, jstring jalgname) {
jint res;
jboolean iscopy;
char const *const astring = (*jenv)->GetStringUTFChars(jenv,jalgname,&iscopy);
char const *const ustring = getenv("USER");
/********************* RASC FPGA Initialization **************************/
// reserve one FPGA (ustring or resrv_name can be any string)
if((res = rasclib_resource_reserve(1, ustring)) == RASCLIB_SUCCESS){
if((res = rasclib_resource_configure(astring, 1, ustring)) == RASCLIB_SUCCESS
){
// get descriptor for reserved FPGA in res
if((res = rasclib_cop_open(astring, IO_TYPE)) == RASCLIB_SUCCESS) {
unsigned long finish_alg = 0;
if((res = rasclib_cop_reg_write(res, "finish_alg", &finish_alg, 1,
RASCLIB_IMMED_CMD)) == RASCLIB_SUCCESS) {
rasclib_cop_commit(res, NULL);
rasclib_cop_go(res);
unsigned long reset;
do{
rasclib_cop_reg_read(res, "reset", &reset, 1, RASCLIB_IMMED_CMD);
rasclib_cop_commit(res, NULL);
}while (reset);
// Wait 5s until reset is done
jclass const clsThread = (*jenv)->FindClass(jenv, "java/lang/Thread");
jmethodID const mthSleep = (*jenv)->GetStaticMethodID(jenv, clsThread,
"sleep", "(J)V");
(*jenv)->CallStaticVoidMethod(jenv,clsThread,mthSleep,(jlong)5000L);
(*jenv)->ExceptionClear(jenv);
}
}
}
}
20
25
30
35
40
// release not any more needed objects
(*jenv)->ReleaseStringUTFChars(jenv, jalgname, astring);
return res;
45
}
50
55
// receives values from fpga and returns them as byte array
JNIEXPORT jint JNICALL Java_jrasc_JRasc_recvByteArray(JNIEnv *const jenv,
jclass const clsJRasc, jint jcop_desc, jbyteArray const jbarray) {
jsize jb_length = (*jenv)->GetArrayLength(jenv, jbarray);
// Algorithm defined register array length
const int ADR_SIZE = jb_length/ADR_BYTES;
unsigned long rasc_out_vld;
unsigned long fat_out512[ADR_SIZE];
unsigned char byteout[jb_length];
A.5. DAMENPROBLEM
int res;
int j,i,timeout;
60
// Reduced polling
while(true) {
// Check Availability of Data
res = rasclib_cop_reg_read(jcop_desc, "rasc_out_vld", &rasc_out_vld, 1,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) return res;
65
rasclib_cop_commit(jcop_desc, NULL);
if(rasc_out_vld == 1) break;
70
// Wait 30s before next Re-Try
jclass
const clsThread = (*jenv)->FindClass(jenv, "java/lang/Thread");
jmethodID const mthSleep = (*jenv)->GetStaticMethodID(jenv, clsThread, "
sleep", "(J)V");
(*jenv)->CallStaticVoidMethod(jenv, clsThread, mthSleep, (jlong)10000L);
(*jenv)->ExceptionClear(jenv);
75
}
/***** Read Fat-Register-Output (4 64Bit Registers) *****/
res = rasclib_cop_reg_read(jcop_desc, "out256", fat_out512, ADR_SIZE,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
return res;
}
rasclib_cop_commit(jcop_desc, NULL);
80
for (j = 0; j < ADR_SIZE; j++) {
int pos = j * 8;
byteout[pos + 7] = fat_out512[j] & 0xFF;
byteout[pos + 6] = (fat_out512[j] & 0xFF00) >> 8;
byteout[pos + 5] = (fat_out512[j] & 0xFF0000) >> 16;
byteout[pos + 4] = (fat_out512[j] & 0xFF000000) >> 24;
byteout[pos + 3] = (fat_out512[j] & 0xFF00000000) >> 32;
byteout[pos + 2] = (fat_out512[j] & 0xFF0000000000) >> 40;
byteout[pos + 1] = (fat_out512[j] & 0xFF000000000000) >> 48;
byteout[pos] = (fat_out512[j] & 0xFF00000000000000) >> 56;
}
85
90
95
// 3rd and 4th arguments are start element and array length
(*jenv)->SetByteArrayRegion(jenv, jbarray, 0, jb_length, (jbyte *) byteout);
return RASCLIB_SUCCESS;
100
}
// send byte array as 64Bit values to FPGA
JNIEXPORT jint JNICALL Java_jrasc_JRasc_sendByteArray(JNIEnv *jenv,
jobject jobj, jint jcop_desc, jbyteArray jbarray) {
105
110
115
jsize jb_length = (*jenv)->GetArrayLength(jenv, jbarray);
int ADR_SIZE = jb_length/ADR_BYTES;
jboolean isCopy;
signed char *carray = (*jenv)->GetByteArrayElements(jenv, jbarray, &isCopy);
int j;
int res;
unsigned long fat_in128[ADR_SIZE];
for (j = 0; j < ADR_SIZE; j++) {
// does only work for unsigned long = 64Bit (e.g. IA64)
fat_in128[j] = (((unsigned long) ((*carray)&0xff) << 56) |
((unsigned long) ((*(carray + 1))&0xff) << 48) |
((unsigned long) ((*(carray + 2))&0xff) << 40) |
129
130
ANHANG A. QUELLCODES
((unsigned
((unsigned
((unsigned
((unsigned
((*(carray
120
long) ((*(carray + 3))&0xff) << 32) |
int) ((*(carray + 4))&0xff) << 24) |
int) ((*(carray + 5))&0xff) << 16) |
int) ((*(carray + 6))&0xff) << 8) |
+ 7))&0xff));
carray+=8;
}
125
// Send RASC FPGA Input
res = rasclib_cop_reg_write(jcop_desc, "in64", fat_in128, ADR_SIZE,
RASCLIB_IMMED_CMD);
if (res != RASCLIB_SUCCESS) {
return res;
}
rasclib_cop_commit(jcop_desc, NULL);
return RASCLIB_SUCCESS;
130
}
135
140
145
150
155
JNIEXPORT jint JNICALL Java_jrasc_JRasc_freeFPGA(JNIEnv *jenv,
jobject jobj, jint jcop_desc, jstring jalgname) {
jboolean iscopy;
char const *const astring = (*jenv)->GetStringUTFChars(jenv,jalgname,&iscopy);
return freeFPGA(&jcop_desc, astring);
}
int freeFPGA(int *cop_desc, char const *const algID){
int res;
char const *const ustring = getenv("USER");
unsigned long debug1;
unsigned long finish_alg = 1;
if ((res = rasclib_cop_reg_write(*cop_desc, "finish_alg", &finish_alg, 1,
RASCLIB_IMMED_CMD)) == RASCLIB_SUCCESS) {
rasclib_cop_commit(*cop_desc, NULL);
rasclib_cop_wait(*cop_desc);
rasclib_cop_close(*cop_desc);
rasclib_resource_return(algID, 1);
rasclib_resource_release(1, ustring);
}
return res;
}
Auflistung A.16: Damenproblem: Java Interface
0
package jrasc;
import java.io.InputStream;
import java.io.OutputStream;
import java.util.Date;
5
/**Provides access to RASC FPGAs. */
public class JRasc{
10
15
20
// if library cannot be found -> UnsatisfiedLinkError
static {
System.loadLibrary("rascjni");
}
/* The paket size
private final int
/* The paket size
private final int
in bytes to be send */
inputBytes;
in bytes to be received */
outputBytes;
/* Handle to the represented FPGA configuration. */
private final int hdl;
A.5. DAMENPROBLEM
131
/* The identifier of the algorithm to be loaded to the FPGA */
private final String alg_name;
private OutputStream out;
private InputStream in;
25
// performance evaluation
private long starttime;
private long subboards;
30
35
40
45
50
private JRasc(int hdl, String alg, int inputBytes, int outputBytes) {
this.hdl = hdl;
this.alg_name = alg;
this.inputBytes = inputBytes;
this.outputBytes = outputBytes;
this.starttime = new Date().getTime();
this.subboards = 0;
}
private
private
private
private
static
static
static
static
native
native
native
native
int
int
int
int
reserveFPGA(String alg);
freeFPGA(int cop_desc, String alg);
sendByteArray(int cop_desc, byte[] input);
recvByteArray(int cop_desc, byte[] output);
/**
* Reserve an FPGA and return or representing JRasc instance.
* @param alg the algorithm to be loaded
* @param inputBytes the paket size in bytes to be send
* @param outputBytes the paket size in bytes to be received
* @throws JRascException on failure.
*/
public static JRasc reserve(String alg, int inputBytes, int outputBytes)
throws JRascException {
final int fd = reserveFPGA(alg);
if (fd < 0) {
throw new JRascException(fd);
}
return new JRasc(fd,alg,inputBytes,outputBytes);
55
}
60
65
70
75
/** Releases the RASC device
* @return 0 if successfully or error code
*/
public int free(){
return freeFPGA(this.hdl,this.alg_name);
}
/** Returns an OutputStream to send data to RASC
* @return an OutputStream
*/
public synchronized OutputStream getOutputStream() {
final OutputStream res = out;
if (res != null) {
return res;
}
return out = new OutputStream() {
private byte[] buf = new byte[JRasc.this.inputBytes];
private int idx;
80
public synchronized void write(int b) throws JRascException {
buf[idx++] = (byte)b;
if (idx == JRasc.this.inputBytes) {
132
ANHANG A. QUELLCODES
int res = sendByteArray(hdl, buf);
if(res<0){
throw new JRascException(res);
}
idx = 0;
85
}
}
90
};
}
/** Returns an InputStream to receive data from RASC
* @return an InputStream
*/
public synchronized InputStream getInputStream() {
final InputStream res = in;
if (res != null) {
return res;
}
return in = new InputStream() {
95
100
private byte[] buf = new byte[JRasc.this.outputBytes];
private int idx = buf.length;
105
public synchronized int read() throws JRascException {
if (idx >= JRasc.this.outputBytes) {
int res = recvByteArray(hdl, buf);
if(res<0){
throw new JRascException(res);
}
idx = 0;
// performance evaluation
JRasc.this.subboards += outputBytes/16;
long elapsed = new Date().getTime()-starttime;
System.err.println((float)JRasc.this.subboards/(elapsed/3600000.0)
+ "subboards/hour");
}
return (buf[idx++]&0xff);
}
110
115
120
};
}
}
133
Erklärungen zum Urheberrecht
Silicon Graphics, SGI und Altix sind eingetragene Marken und NUMAlink, ProPack und SGI RASC
sind Marken von Silicon Graphics, Inc., in den U.S. und/oder anderen Ländern weltweit.
Mitrion-C, Mitrion Virtual Processor und Mitrion Software Development Kit sind Marken und Mitrion
ist eine eingetragene Marke von Mitrionics AB.
Impulse C ist eine Marke von Impulse Accelerated Technologies, Inc.
Handel-C ist eine Marke von Agility Design Solutions Inc.
Intel, Itanium und Core2Duo sind Marken der Intel Corporation oder ihrer Tochtergesellschaften in den
USA oder anderen Ländern. Dies gilt auch, wenn es nicht explizit im Text gekennzeichnet ist.
NVIDIA und CUDA sind Marken der NVIDIA Corporation in den USA oder anderen Ländern. Dies gilt
auch, wenn es nicht explizit im Text gekennzeichnet ist.
Xilinx, Virtex und Xilinx - ISE sind Marken von Xilinx in den USA oder anderen Ländern. Dies gilt
auch, wenn es nicht explizit im Text gekennzeichnet ist.
Synplify Pro ist eine Marke von Synplicity. Dies gilt auch, wenn es nicht explizit im Text gekennzeichnet
ist.
AMD, Opteron, Phenom, AthlonX2, Brook und Radeon sind Marken von Advanced Micro Devices. Dies
gilt auch, wenn es nicht explizit im Text gekennzeichnet ist.
Linux ist eine eingetragene Marke von Linus Torvalds. Dies gilt auch, wenn es nicht explizit im Text
gekennzeichnet ist.
Andere Marken oder Produktnamen sind Eigentum der jeweiligen Inhaber.
134
Erklärungen zum Urheberrecht
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertisement