ПРОИЗВОДИТЕЛЬНОСТЬ И ДОВЕРЕННОСТЬ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ

Сергей Г. Бобков, Николай Н. Левченко, Сергей Е. Власов, Виталий А. Телец

Аннотация


В статье рассматривается вопросы создания высокопроизводительных доверенных систем для критической информационной инфраструктуры (КИИ). Основным способом обеспечения доверенности для них является использование отечественных IP-ядер микропроцессоров. Однако существующие отечественные IP-ядра не могут обеспечить требуемую производительность для целого ряда задач, прежде всего для задач со сложноорганизованными данными, многомасштабными вычислениями, разреженными данными и т.п. Предлагается создание гибридных вычислительных систем на основе отечественных микропроцессоров и потоковых процессоров, реализующих потоковую модель вычислений с динамически формируемым контекстом. Такие системы способны обеспечить распараллеливание вычислений за счёт экстрагирования неявного параллелизма из программ и организации вычислений по готовности данных. Такие вычислительные системы до 10 раз эффективнее традиционных систем при решении задач со сложноорганизованными данными, прежде всего за счет высокой масштабируемости и применения парадигмы «раздачи» (вычислительный узел сам вычисляет адреса, по которым должны быть разосланы данные) вместо парадигмы «сбора» (когда к данным обращаются по определенным адресам в памяти). Создание таких вычислительных систем требует значительного финансирования и объединения усилий нескольких компаний разработчиков.

Ключевые слова


доверенные схемы, высокопроизводительные системы, СБИС, потоковые процессоры.

Полный текст:

PDF

Литература


1. Бобков, Сергей Г.; Евлампиев, Борис Е. Доверенный и контролируемый маршрут проектирования сложно-функциональных СБИС с использованием зарубежных и отечественных САПР. Безопасность информационных технологий, [S.l.], т. 30, № 4, с. 92–101, 2023. – ISSN 2074-7136.
DOI: 10.26583/bit.2023.4.05.

2. Бобков С.Г. Высокопроизводительные вычислительные системы. М.: НИИСИ РАН, 2014 – 299 с. – ISBN 978-5-93838-050-9.
3. Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J. Dive into Deep Learning. Сambridge University Press. 2023. URL : https://d2l.ai/index.html (дата обращения: 20.04.2024).

4. Charles Q. Choi. AI Chip Trims Energy Budget Back by 99+ Percent Photonic tech uses both diffraction and interference to boost performance. 2024. URL: https://spectrum.ieee.org/optical-neural-network (дата обращения: 08.04.2025).

5. Strickland E. OpenAI's GPT-3 Speaks! (Kindly Disregard Toxic Language). 2021. URL: https://spectrum.ieee.org/open-ais-powerful-text-generating-tool-is-ready-for-business. (дата обращения: 10.05.2025).

6. Charles Q. Choi. Dendrocentric AI Could Run on Watts, Not Megawatts. 2022. URL: https://spectrum.ieee.org/dendrocentric-learning (дата обращения: 12.05.2025).
7. Baets R., Campenhout J. Van, Kunert B. and Roelkens G. 4 Ways to Put Lasers on Silicon: You Can Make Many Things with Silicon Photonics, But a Laser is not One of Them. IEEE Spectrum. May, 2023, v. 60, nо. 5,
p. 32–37. DOI: 10.1109/MSPEC.2023.10120688.

8. Böhm A.P.W. Dataflow and hybrid dataflow architecture summary. Parallel computer systems. Rebecca Koskela and Margaret Simmons (Eds.). ACM, New York, NY, USA. 1990, p. 281–286. DOI: 10.1145/100215.100286.

9. Lee B., Hurson A.R. Dataflow Architectures and Multithreading. Computer. Aug 1994, v. 27, nо. 8, p. 27–39. DOI: 10.1109/2.303620.

10. Silc J., Robic B., Ungerer T. Asynchrony in parallel computing: From dataflow to multithreading. Parallel and Distributed Computing Practices. 1998, v. 1, nо. 1, p. 3–30.
DOI: 10.12694/SCPE.V1I1.66.

11. Zmeev D.N., Klimov A.V., Levchenko N.N., Okunev A.S., Stempkovskii A.L. Features of the architecture implementing the dataflow computational model and its application in the creation of microelectronic high-performance computing systems. Russian Microelectronics. 2019, v. 48, nо. 5, p. 292–298.
DOI: https://doi.org/10.1134/S1063739719050111.

12. Стемпковский А.Л., Левченко Н.Н., Окунев А.С., Цветков В.В. Параллельная потоковая вычислительная система – дальнейшее развитие архитектуры и структурной организации вычислительной системы с автоматическим распределением ресурсов. Информационные технологии. 2008, № 10, c. 2–7. – EDN: KGDBFJ.

13. Бобков С.Г., Левченко Н.Н., Окунев А.С. Параллельный потоковый процессор на новых архитектурных принципах для решения широкого круга задач. Наноиндустрия. 2020, т. 13, № S5-2(102), с. 285–296.
DOI: 10.22184/1993-8578.2020.13.5s.285.296. – EDN: EJYEXI.

14. Стемпковский А.Л., Бобков С.Г., Змеев Д.Н., Левченко Н.Н., Климов А.В. Автоматизированное определение оптимальной конфигурации параллельной потоковой вычислительной системы для решения конкретной задачи. Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2021, вып. 3, с. 82–93. DOI: 10.31114/2078-7707-2021-3-82-93. – EDN: TSXJFO.




DOI: http://dx.doi.org/10.26583/bit.2025.3.01

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.