文献阅读（2）：KNMC

目录

一、简介

1.题目：

2.时间：

3.来源：

4.简介：

5.论文主要贡献：

二、相关名词

三、相关背景知识

1.近内存计算

2.K-NN算法

3.K-means算法

四、处理流程概述

1.KNMC硬件架构

​2.KNMC总调度流程

3.设计空间探索

---

一、简介

1.题目：

KNMC: 基于近内存计算的 k-NN 和 k-means 加速器设计

2.时间：

2022.05

3.来源：

Journal of Chinese Computer Systems（小型微型计算机系统 ）

4.简介：

K近邻和K均值算法在人工智能领域应用广泛，但由于这两种算法在应用过程中需要不断进行距离计算，不断访问片外DRAM，导致能耗非常大。论文中提出的KNMC是基于近内存计算的可配置加速器，对上述提到的两种算法均实现了有效的性能以及能效提升。

5.论文主要贡献：

（1）加速器KNMC能通过硬件重配置灵活支持K-NN与K-means算法加速。

（2）在近内存架构前提下，关注到了片上缓存与PE规模对于近内存加速器的效率影响，通过求解加速器能效与片上缓存、PE规模的最优化问题，探索最佳的规模配置。

（3）与前人的加速器相比，两种算法均得到了不同程度的性能加速与提升。

---

二、相关名词

k-nearest neighbor：K近邻算法

k-means：K均值算法

near-memory computing：近内存计算

on-chip buffer：片上缓存

ASIC：application specific integrated circuit，专用集成电路

DRAM：dynamic random-access memory，动态随机存取存储器

PE：process element，处理单元

KNMC：我感觉或许这个缩写取得是K-NN、K-means和近内存计算（Near-Memory Computing）的首字母？

---

三、相关背景知识

1.近内存计算

顾名思义，近内存计算就是将数据处理单元设计在数据中心附近，能够最大限度地减少数据移动所带来的能耗开销。

2.K-NN算法

是一种分类和回归算法，主要用于对未知类型的数据进行分类（已知分类情况）。首先将待测样本与训练集样本进行欧氏距离计算，其次按照计算结果找出与待测样本距离最近的k个训练集样本。

3.K-means算法

是一种经典的无监督学习算法。主要步骤为：首先随机选取K个质心，然后将样本数据与K个质心进行欧式距离计算，每个样本所属与之最近的质心，同属一个质心的样本为一个群；接着为每个群进行质心更新操作，选出新的质心；重复上述步骤，直到新旧质心不再发生变化。

---

四、处理流程概述

1.KNMC硬件架构

KNMC组件,主要包括PE计算部件,片上缓存和 Centroid 模块。Centroid 模块用于实现对质心的更新和新旧质心比较。PE 模块用于计算不同数据间的距离,以及对所产生的结果进行累加。片上缓存共有五个，如下图中所示。

2.KNMC总调度流程

3.设计空间探索

论文中对于PE数量以及片上缓存（共五个）容量进行设计空间探索（DSE，design space exploration）。并且有以下约束：

可以看出每个变量个数有限，则使用穷举法对这些变量进行组合，可以找出最优解，也就得到了最高能效的配置。为了提高加速器对不同数据集的适应能力，论文中还采用了多个数据集进行设计空间探索，对所有调度的数据集的能效求几何平均。