基于机器学习的自动机简化用于符号加速器
机器学习
2025-07-14 v1
摘要
符号加速器正在被广泛应用于诸如基因组学、自然语言处理和网络安全等领域的符号数据处理。然而，由于内存使用过度和路由复杂度，尤其是在针对大型集合时，这些加速器面临可扩展性问题。我们提出AutoSlim，一种基于机器学习的图简化框架，旨在减少基于非确定性有限自动机（NFA）构建的符号加速器的复杂度，这类加速器部署在基于FPGA的overlay平台上（如NAPOLY+）。AutoSlim使用随机森林分类来根据边缘得分和结构特征修剪低影响转换，显著减少自动机图的密度，同时保持语义正确性。与现有工具不同，AutoSlim针对带有加权转换的自动得分感知简化，实现高效的排序序列分析。我们评估了数据集（1K至64K节点）在NAPOLY+上的表现，包括延迟、吞吐量和资源使用等指标。AutoSlim在FPGA LUTs上实现了最高40%的减少，转换 pruning 超过30%，同时扩展到比现有基准大一个数量级的图。我们的结果还表明，硬件互连（fanout）对硬件成本影响巨大，而AutoSlim的简化有助于缓解资源膨胀。
引用
@article{arxiv.2507.08751,
title = {ML-Based Automata Simplification for Symbolic Accelerators},
author = {Tiffany Yu and Rye Stahle-Smith and Darssan Eswaramoorthi and Rasha Karakchi},
journal= {arXiv preprint arXiv:2507.08751},
year = {2025}
}