面向自愈网络的 NoC 路由：基于 RL 的 2D 环形架构
分布式、并行与集群计算
2025-12-16 v1
摘要
我们研究了在节点故障条件下 2D 环形网络单片计算机 (NoC) 上的自适应最小路由策略，将基于强化学习 (RL) 的方法与自适应路由基线进行比较。NoC 采用环形拓扑，因为其低径向高连通性优势。RL 方法将每个路由器建模为一个代理，学习基于网络状态的分组转发，而自适应方案使用固定最小路径并通过简单绕过故障实现。我们在仿真中实现了两种方法，随机注入最多 50 个节点故障。测量关键指标：1. 吞吐量与故障密度为 0.2 时的负载情况，2. 包到达率 (PDR) 与故障密度关系，3. 故障适应性得分 (FT) 与故障密度关系。实验结果表明，RL 方法在高负载下吞吐量显著更高（约提升 20-30 倍），并在故障不断积累的情况下保持更高的可靠性。RL 路由器每周期传递更多数据包，并通过利用路径多样性来适应故障，而自适应方案则随故障积累而显著恶化。特别地，RL 方法能够更久地保持端到端连通性，PDR 在约 30-40 个故障时仍保持在 90% 以上，而自适应 PDR 在同一点下降到约 70%。故障适应性得分同样偏好 RL 路由。因此，基于 RL 的自适应路由在 torus NoC 的吞吐量和故障韧性方面显示出明显优势。
引用
@article{arxiv.2512.13096,
title = {Toward Self-Healing Networks-on-Chip: RL-Driven Routing in 2D Torus Architectures},
author = {Mohammad Walid Charrwi and Zaid Hussain},
journal= {arXiv preprint arXiv:2512.13096},
year = {2025}
}