最近幾年,，FPGA這個概念越來越多地出現(xiàn)。

　　例如,，比特幣挖礦,，就有使用基于FPGA的礦機。還有,，之前微軟表示,，將在數(shù)據(jù)中心里，使用FPGA“代替”CPU,，等等,。

　　其實，對于專業(yè)人士來說,，F(xiàn)PGA并不陌生,，它一直都被廣泛使用。但是,，大部分人還不是太了解它,，對它有很多疑問——FPGA到底是什么？為什么要使用它,？相比 CPU,、GPU、ASIC（專用芯片）,，F(xiàn)PGA有什么特點,？……

　　今天，帶著這一系列的問題，我們一起來——揭秘FPGA,。

　　一,、為什么使用 FPGA？

　　眾所周知,，通用處理器（CPU）的摩爾定律已入暮年,，而機器學習和 Web 服務(wù)的規(guī)模卻在指數(shù)級增長。

　　人們使用定制硬件來加速常見的計算任務(wù),，然而日新月異的行業(yè)又要求這些定制的硬件可被重新編程來執(zhí)行新類型的計算任務(wù),。

　　FPGA 正是一種硬件可重構(gòu)的體系結(jié)構(gòu)。它的英文全稱是Field Programmable Gate Array,，中文名是現(xiàn)場可編程門陣列,。

　　FPGA常年來被用作專用芯片（ASIC）的小批量替代品，然而近年來在微軟,、百度等公司的數(shù)據(jù)中心大規(guī)模部署,，以同時提供強大的計算能力和足夠的靈活性。

　　不同體系結(jié)構(gòu)性能和靈活性的比較

　　FPGA 為什么快,？「都是同行襯托得好」,。

　　CPU、GPU 都屬于馮·諾依曼結(jié)構(gòu),，指令譯碼執(zhí)行,、共享內(nèi)存。FPGA 之所以比 CPU 甚至 GPU 能效高,，本質(zhì)上是無指令,、無需共享內(nèi)存的體系結(jié)構(gòu)帶來的福利。

　　馮氏結(jié)構(gòu)中,，由于執(zhí)行單元（如 CPU 核）可能執(zhí)行任意指令,，就需要有指令存儲器、譯碼器,、各種指令的運算器,、分支跳轉(zhuǎn)處理邏輯。由于指令流的控制邏輯復(fù)雜,，不可能有太多條獨立的指令流,，因此 GPU 使用 SIMD（單指令流多數(shù)據(jù)流）來讓多個執(zhí)行單元以同樣的步調(diào)處理不同的數(shù)據(jù)，CPU 也支持 SIMD 指令,。

　　而 FPGA 每個邏輯單元的功能在重編程（燒寫）時就已經(jīng)確定,，不需要指令。

　　馮氏結(jié)構(gòu)中使用內(nèi)存有兩種作用,。一是保存狀態(tài),，二是在執(zhí)行單元間通信,。

　　由于內(nèi)存是共享的，就需要做訪問仲裁,；為了利用訪問局部性,，每個執(zhí)行單元有一個私有的緩存，這就要維持執(zhí)行部件間緩存的一致性,。

　　對于保存狀態(tài)的需求,，F(xiàn)PGA 中的寄存器和片上內(nèi)存（BRAM）是屬于各自的控制邏輯的，無需不必要的仲裁和緩存,。

　　對于通信的需求,，F(xiàn)PGA 每個邏輯單元與周圍邏輯單元的連接在重編程（燒寫）時就已經(jīng)確定，并不需要通過共享內(nèi)存來通信,。

　　說了這么多三千英尺高度的話,，F(xiàn)PGA 實際的表現(xiàn)如何呢？我們分別來看計算密集型任務(wù)和通信密集型任務(wù),。

　　計算密集型任務(wù)的例子包括矩陣運算,、圖像處理、機器學習,、壓縮,、非對稱加密、Bing 搜索的排序等,。這類任務(wù)一般是 CPU 把任務(wù)卸載（offload）給 FPGA 去執(zhí)行,。對這類任務(wù)，目前我們正在用的 Altera（似乎應(yīng)該叫 Intel 了,，我還是習慣叫 Altera……）StraTIx V FPGA 的整數(shù)乘法運算性能與 20 核的 CPU 基本相當，浮點乘法運算性能與 8 核的 CPU 基本相當,，而比 GPU 低一個數(shù)量級,。我們即將用上的下一代 FPGA，StraTIx 10,，將配備更多的乘法器和硬件浮點運算部件,，從而理論上可達到與現(xiàn)在的頂級 GPU 計算卡旗鼓相當?shù)挠嬎隳芰Α?/p>

　　FPGA 的整數(shù)乘法運算能力（估計值,，不使用 DSP,，根據(jù)邏輯資源占用量估計）

　　FPGA 的浮點乘法運算能力（估計值，float16 用軟核,，float 32 用硬核）

　　在數(shù)據(jù)中心,，F(xiàn)PGA 相比 GPU 的核心優(yōu)勢在于延遲,。

　　像 Bing 搜索排序這樣的任務(wù)，要盡可能快地返回搜索結(jié)果,，就需要盡可能降低每一步的延遲,。

　　如果使用 GPU 來加速,，要想充分利用 GPU 的計算能力，batch size 就不能太小,，延遲將高達毫秒量級,。

　　使用 FPGA 來加速的話，只需要微秒級的 PCIe 延遲（我們現(xiàn)在的 FPGA 是作為一塊 PCIe 加速卡）,。

　　未來 Intel 推出通過 QPI 連接的 Xeon + FPGA 之后,，CPU 和 FPGA 之間的延遲更可以降到 100 納秒以下，跟訪問主存沒什么區(qū)別了,。

　　FPGA 為什么比 GPU 的延遲低這么多,？

　　這本質(zhì)上是體系結(jié)構(gòu)的區(qū)別。

　　FPGA 同時擁有流水線并行和數(shù)據(jù)并行,，而 GPU 幾乎只有數(shù)據(jù)并行（流水線深度受限）,。

　　例如處理一個數(shù)據(jù)包有 10 個步驟，F(xiàn)PGA 可以搭建一個 10 級流水線,，流水線的不同級在處理不同的數(shù)據(jù)包,，每個數(shù)據(jù)包流經(jīng) 10 級之后處理完成。每處理完成一個數(shù)據(jù)包,，就能馬上輸出,。

　　而 GPU 的數(shù)據(jù)并行方法是做 10 個計算單元，每個計算單元也在處理不同的數(shù)據(jù)包,，然而所有的計算單元必須按照統(tǒng)一的步調(diào),，做相同的事情（SIMD，Single InstrucTIon MulTIple Data）,。這就要求 10 個數(shù)據(jù)包必須一起輸入,、一起輸出，輸入輸出的延遲增加了,。

　　當任務(wù)是逐個而非成批到達的時候,，流水線并行比數(shù)據(jù)并行可實現(xiàn)更低的延遲。因此對流式計算的任務(wù),，F(xiàn)PGA 比 GPU 天生有延遲方面的優(yōu)勢,。

　　計算密集型任務(wù)，CPU,、GPU,、FPGA、ASIC 的數(shù)量級比較（以 16 位整數(shù)乘法為例,，數(shù)字僅為數(shù)量級的估計

　　ASIC 專用芯片在吞吐量,、延遲和功耗三方面都無可指摘，但微軟并沒有采用,，出于兩個原因：

　　數(shù)據(jù)中心的計算任務(wù)是靈活多變的,，而 ASIC 研發(fā)成本高,、周期長。好不容易大規(guī)模部署了一批某種神經(jīng)網(wǎng)絡(luò)的加速卡,，結(jié)果另一種神經(jīng)網(wǎng)絡(luò)更火了,，錢就白費了。FPGA 只需要幾百毫秒就可以更新邏輯功能,。FPGA 的靈活性可以保護投資,，事實上，微軟現(xiàn)在的 FPGA 玩法與最初的設(shè)想大不相同,。

　　數(shù)據(jù)中心是租給不同的租戶使用的,，如果有的機器上有神經(jīng)網(wǎng)絡(luò)加速卡，有的機器上有 Bing 搜索加速卡,，有的機器上有網(wǎng)絡(luò)虛擬化加速卡,，任務(wù)的調(diào)度和服務(wù)器的運維會很麻煩。使用 FPGA 可以保持數(shù)據(jù)中心的同構(gòu)性,。

　　接下來看通信密集型任務(wù),。

　　相比計算密集型任務(wù)，通信密集型任務(wù)對每個輸入數(shù)據(jù)的處理不甚復(fù)雜,，基本上簡單算算就輸出了,，這時通信往往會成為瓶頸。對稱加密,、防火墻,、網(wǎng)絡(luò)虛擬化都是通信密集型的例子。

　　通信密集型任務(wù),，CPU,、GPU、FPGA,、ASIC 的數(shù)量級比較（以 64 字節(jié)網(wǎng)絡(luò)數(shù)據(jù)包處理為例,，數(shù)字僅為數(shù)量級的估計）

　　對通信密集型任務(wù)，F(xiàn)PGA 相比 CPU,、GPU 的優(yōu)勢就更大了,。

　　從吞吐量上講,，F(xiàn)PGA 上的收發(fā)器可以直接接上 40 Gbps 甚至 100 Gbps 的網(wǎng)線,，以線速處理任意大小的數(shù)據(jù)包；而 CPU 需要從網(wǎng)卡把數(shù)據(jù)包收上來才能處理,，很多網(wǎng)卡是不能線速處理 64 字節(jié)的小數(shù)據(jù)包的,。盡管可以通過插多塊網(wǎng)卡來達到高性能，但 CPU 和主板支持的 PCIe 插槽數(shù)量往往有限,，而且網(wǎng)卡,、交換機本身也價格不菲,。

　　從延遲上講，網(wǎng)卡把數(shù)據(jù)包收到 CPU,，CPU 再發(fā)給網(wǎng)卡,，即使使用 DPDK 這樣高性能的數(shù)據(jù)包處理框架，延遲也有 4~5 微秒,。更嚴重的問題是,，通用 CPU 的延遲不夠穩(wěn)定。例如當負載較高時,，轉(zhuǎn)發(fā)延遲可能升到幾十微秒甚至更高（如下圖所示）,；現(xiàn)代操作系統(tǒng)中的時鐘中斷和任務(wù)調(diào)度也增加了延遲的不確定性。

　　ClickNP（FPGA）與 Dell S6000 交換機（商用交換機芯片）,、Click+DPDK（CPU）和 Linux（CPU）的轉(zhuǎn)發(fā)延遲比較,，error bar 表示 5% 和 95%。來源：[5]

　　雖然 GPU 也可以高性能處理數(shù)據(jù)包,，但 GPU 是沒有網(wǎng)口的,，意味著需要首先把數(shù)據(jù)包由網(wǎng)卡收上來，再讓 GPU 去做處理,。這樣吞吐量受到 CPU 和/或網(wǎng)卡的限制,。GPU 本身的延遲就更不必說了。

　　那么為什么不把這些網(wǎng)絡(luò)功能做進網(wǎng)卡,，或者使用可編程交換機呢,？ASIC 的靈活性仍然是硬傷。

　　盡管目前有越來越強大的可編程交換機芯片,，比如支持 P4 語言的 Tofino,，ASIC 仍然不能做復(fù)雜的有狀態(tài)處理，比如某種自定義的加密算法,。

　　綜上,，在數(shù)據(jù)中心里 FPGA 的主要優(yōu)勢是穩(wěn)定又極低的延遲，適用于流式的計算密集型任務(wù)和通信密集型任務(wù),。

　　二,、微軟部署 FPGA 的實踐

　　2016 年 9 月，《連線》（Wired）雜志發(fā)表了一篇《微軟把未來押注在 FPGA 上》的報道 [3],，講述了 Catapult 項目的前世今生,。

　　緊接著，Catapult 項目的老大 Doug Burger 在 Ignite 2016 大會上與微軟 CEO Satya Nadella 一起做了 FPGA 加速機器翻譯的演示,。

　　演示的總計算能力是 103 萬 T ops,，也就是 1.03 Exa-op，相當于 10 萬塊頂級 GPU 計算卡,。一塊 FPGA（加上板上內(nèi)存和網(wǎng)絡(luò)接口等）的功耗大約是 30 W,，僅增加了整個服務(wù)器功耗的十分之一,。

　　Ignite 2016 上的演示：每秒 1 Exa-op （10^18） 的機器翻譯運算能力

　　微軟部署 FPGA 并不是一帆風順的。對于把 FPGA 部署在哪里這個問題,，大致經(jīng)歷了三個階段：

　　專用的 FPGA 集群,，里面插滿了 FPGA

　　每臺機器一塊 FPGA，采用專用網(wǎng)絡(luò)連接

　　每臺機器一塊 FPGA,，放在網(wǎng)卡和交換機之間,，共享服務(wù)器網(wǎng)絡(luò)

　　微軟 FPGA 部署方式的三個階段，來源：[3]

　　第一個階段是專用集群,，里面插滿了 FPGA 加速卡,，就像是一個 FPGA 組成的超級計算機。

　　下圖是最早的 BFB 實驗板,，一塊 PCIe 卡上放了 6 塊 FPGA,，每臺 1U 服務(wù)器上又插了 4 塊 PCIe 卡。

　　最早的 BFB 實驗板,，上面放了 6 塊 FPGA,。來源：[1]

　　可以注意到該公司的名字。在半導體行業(yè),，只要批量足夠大,，芯片的價格都將趨向于沙子的價格。據(jù)傳聞,，正是由于該公司不肯給「沙子的價格」 ,，才選擇了另一家公司。

　　當然現(xiàn)在數(shù)據(jù)中心領(lǐng)域用兩家公司 FPGA 的都有,。只要規(guī)模足夠大,，對 FPGA 價格過高的擔心將是不必要的。

　　最早的 BFB 實驗板,，1U 服務(wù)器上插了 4 塊 FPGA 卡,。來源：[1]

　　像超級計算機一樣的部署方式，意味著有專門的一個機柜全是上圖這種裝了 24 塊 FPGA 的服務(wù)器（下圖左）,。

　　這種方式有幾個問題：

　　不同機器的 FPGA 之間無法通信,，F(xiàn)PGA 所能處理問題的規(guī)模受限于單臺服務(wù)器上 FPGA 的數(shù)量；

　　數(shù)據(jù)中心里的其他機器要把任務(wù)集中發(fā)到這個機柜,，構(gòu)成了 in-cast,，網(wǎng)絡(luò)延遲很難做到穩(wěn)定。

　　FPGA 專用機柜構(gòu)成了單點故障,，只要它一壞,，誰都別想加速了,；

　　裝 FPGA 的服務(wù)器是定制的,，冷卻,、運維都增加了麻煩。

　　部署 FPGA 的三種方式,，從中心化到分布式,。來源：[1]

　　一種不那么激進的方式是，在每個機柜一面部署一臺裝滿 FPGA 的服務(wù)器（上圖中）,。這避免了上述問題 （2）（3）,，但 （1）（4） 仍然沒有解決。

　　第二個階段,，為了保證數(shù)據(jù)中心中服務(wù)器的同構(gòu)性（這也是不用 ASIC 的一個重要原因）,，在每臺服務(wù)器上插一塊 FPGA（上圖右），F(xiàn)PGA 之間通過專用網(wǎng)絡(luò)連接,。這也是微軟在 ISCA'14 上所發(fā)表論文采用的部署方式,。

　　Open Compute Server 在機架中。來源：[1]

　　Open Compute Server 內(nèi)景,。紅框是放 FPGA 的位置,。來源：[1]

　　插入 FPGA 后的 Open Compute Server。來源：[1]

　　FPGA 與 Open Compute Server 之間的連接與固定,。來源：[1]

　　FPGA 采用 Stratix V D5,，有 172K 個 ALM，2014 個 M20K 片上內(nèi)存,，1590 個 DSP,。板上有一個 8GB DDR3-1333 內(nèi)存，一個 PCIe Gen3 x8 接口,，兩個 10 Gbps 網(wǎng)絡(luò)接口,。一個機柜之間的 FPGA 采用專用網(wǎng)絡(luò)連接，一組 10G 網(wǎng)口 8 個一組連成環(huán),，另一組 10G 網(wǎng)口 6 個一組連成環(huán),，不使用交換機。

　　機柜中 FPGA 之間的網(wǎng)絡(luò)連接方式,。來源：[1]

　　這樣一個 1632 臺服務(wù)器,、1632 塊 FPGA 的集群，把 Bing 的搜索結(jié)果排序整體性能提高到了 2 倍（換言之,，節(jié)省了一半的服務(wù)器）,。

　　如下圖所示，每 8 塊 FPGA 穿成一條鏈,，中間用前面提到的 10 Gbps 專用網(wǎng)線來通信,。這 8 塊 FPGA 各司其職，有的負責從文檔中提取特征（黃色），有的負責計算特征表達式（綠色）,，有的負責計算文檔的得分（紅色）,。

　　FPGA 加速 Bing 的搜索排序過程。來源：[1]

　　FPGA 不僅降低了 Bing 搜索的延遲,，還顯著提高了延遲的穩(wěn)定性,。來源：[4]

　　本地和遠程的 FPGA 均可以降低搜索延遲，遠程 FPGA 的通信延遲相比搜索延遲可忽略,。來源：[4]

　　FPGA 在 Bing 的部署取得了成功,，Catapult 項目繼續(xù)在公司內(nèi)擴張。

　　微軟內(nèi)部擁有最多服務(wù)器的,，就是云計算 Azure 部門了,。

　　Azure 部門急需解決的問題是網(wǎng)絡(luò)和存儲虛擬化帶來的開銷。Azure 把虛擬機賣給客戶,，需要給虛擬機的網(wǎng)絡(luò)提供防火墻,、負載均衡、隧道,、NAT 等網(wǎng)絡(luò)功能,。由于云存儲的物理存儲跟計算節(jié)點是分離的，需要把數(shù)據(jù)從存儲節(jié)點通過網(wǎng)絡(luò)搬運過來,，還要進行壓縮和加密,。

　　在 1 Gbps 網(wǎng)絡(luò)和機械硬盤的時代，網(wǎng)絡(luò)和存儲虛擬化的 CPU 開銷不值一提,。隨著網(wǎng)絡(luò)和存儲速度越來越快,，網(wǎng)絡(luò)上了 40 Gbps，一塊 SSD 的吞吐量也能到 1 GB/s,，CPU 漸漸變得力不從心了,。

　　例如 Hyper-V 虛擬交換機只能處理 25 Gbps 左右的流量，不能達到 40 Gbps 線速,，當數(shù)據(jù)包較小時性能更差,；AES-256 加密和 SHA-1 簽名，每個 CPU 核只能處理 100 MB/s,，只是一塊 SSD 吞吐量的十分之一,。

　　網(wǎng)絡(luò)隧道協(xié)議、防火墻處理 40 Gbps 需要的 CPU 核數(shù),。來源：[5]

　　為了加速網(wǎng)絡(luò)功能和存儲虛擬化,，微軟把 FPGA 部署在網(wǎng)卡和交換機之間。

　　如下圖所示,，每個 FPGA 有一個 4 GB DDR3-1333 DRAM,，通過兩個 PCIe Gen3 x8 接口連接到一個 CPU socket（物理上是 PCIe Gen3 x16 接口,，因為 FPGA 沒有 x16 的硬核，邏輯上當成兩個 x8 的用）,。物理網(wǎng)卡（NIC）就是普通的 40 Gbps 網(wǎng)卡,，僅用于宿主機與網(wǎng)絡(luò)之間的通信。

　　Azure 服務(wù)器部署 FPGA 的架構(gòu),。來源：[6]

　　FPGA（SmartNIC）對每個虛擬機虛擬出一塊網(wǎng)卡，虛擬機通過 SR-IOV 直接訪問這塊虛擬網(wǎng)卡,。原本在虛擬交換機里面的數(shù)據(jù)平面功能被移到了 FPGA 里面,，虛擬機收發(fā)網(wǎng)絡(luò)數(shù)據(jù)包均不需要 CPU 參與，也不需要經(jīng)過物理網(wǎng)卡（NIC）,。這樣不僅節(jié)約了可用于出售的 CPU 資源,，還提高了虛擬機的網(wǎng)絡(luò)性能（25 Gbps），把同數(shù)據(jù)中心虛擬機之間的網(wǎng)絡(luò)延遲降低了 10 倍,。

　　網(wǎng)絡(luò)虛擬化的加速架構(gòu),。來源：[6]

　　這就是微軟部署 FPGA 的第三代架構(gòu)，也是目前「每臺服務(wù)器一塊 FPGA」大規(guī)模部署所采用的架構(gòu),。

　　FPGA 復(fù)用主機網(wǎng)絡(luò)的初心是加速網(wǎng)絡(luò)和存儲,，更深遠的影響則是把 FPGA 之間的網(wǎng)絡(luò)連接擴展到了整個數(shù)據(jù)中心的規(guī)模，做成真正 cloud-scale 的「超級計算機」,。

　　第二代架構(gòu)里面,，F(xiàn)PGA 之間的網(wǎng)絡(luò)連接局限于同一個機架以內(nèi)，F(xiàn)PGA 之間專網(wǎng)互聯(lián)的方式很難擴大規(guī)模,，通過 CPU 來轉(zhuǎn)發(fā)則開銷太高,。

　　第三代架構(gòu)中，F(xiàn)PGA 之間通過 LTL （Lightweight Transport Layer） 通信,。同一機架內(nèi)延遲在 3 微秒以內(nèi),；8 微秒以內(nèi)可達 1000 塊 FPGA；20 微秒可達同一數(shù)據(jù)中心的所有 FPGA,。第二代架構(gòu)盡管 8 臺機器以內(nèi)的延遲更低,，但只能通過網(wǎng)絡(luò)訪問 48 塊 FPGA。為了支持大范圍的 FPGA 間通信,，第三代架構(gòu)中的 LTL 還支持 PFC 流控協(xié)議和 DCQCN 擁塞控制協(xié)議,。

　　縱軸：LTL 的延遲，橫軸：可達的 FPGA 數(shù)量,。來源：[4]

　　FPGA 內(nèi)的邏輯模塊關(guān)系,，其中每個 Role 是用戶邏輯（如 DNN 加速、網(wǎng)絡(luò)功能加速,、加密）,，外面的部分負責各個 Role 之間的通信及 Role 與外設(shè)之間的通信,。來源：[4]

　　FPGA 構(gòu)成的數(shù)據(jù)中心加速平面，介于網(wǎng)絡(luò)交換層（TOR,、L1,、L2）和傳統(tǒng)服務(wù)器軟件（CPU 上運行的軟件）之間。來源：[4]

　　通過高帶寬,、低延遲的網(wǎng)絡(luò)互聯(lián)的 FPGA 構(gòu)成了介于網(wǎng)絡(luò)交換層和傳統(tǒng)服務(wù)器軟件之間的數(shù)據(jù)中心加速平面,。

　　除了每臺提供云服務(wù)的服務(wù)器都需要的網(wǎng)絡(luò)和存儲虛擬化加速，F(xiàn)PGA 上的剩余資源還可以用來加速 Bing 搜索,、深度神經(jīng)網(wǎng)絡(luò)（DNN）等計算任務(wù),。

　　對很多類型的應(yīng)用，隨著分布式 FPGA 加速器的規(guī)模擴大,，其性能提升是超線性的,。

　　例如 CNN inference，當只用一塊 FPGA 的時候,，由于片上內(nèi)存不足以放下整個模型,，需要不斷訪問 DRAM 中的模型權(quán)重，性能瓶頸在 DRAM,；如果 FPGA 的數(shù)量足夠多,，每塊 FPGA 負責模型中的一層或者一層中的若干個特征，使得模型權(quán)重完全載入片上內(nèi)存,，就消除了 DRAM 的性能瓶頸,，完全發(fā)揮出 FPGA 計算單元的性能。

　　當然,，拆得過細也會導致通信開銷的增加,。把任務(wù)拆分到分布式 FPGA 集群的關(guān)鍵在于平衡計算和通信。

　　從神經(jīng)網(wǎng)絡(luò)模型到 HaaS 上的 FPGA,。利用模型內(nèi)的并行性,，模型的不同層、不同特征映射到不同 FPGA,。來源：[4]

　　在 MICRO'16 會議上,，微軟提出了 Hardware as a Service （HaaS） 的概念，即把硬件作為一種可調(diào)度的云服務(wù),，使得 FPGA 服務(wù)的集中調(diào)度,、管理和大規(guī)模部署成為可能。

　　Hardware as a Service （HaaS）,。來源：[4]

　　從第一代裝滿 FPGA 的專用服務(wù)器集群,，到第二代通過專網(wǎng)連接的 FPGA 加速卡集群，到目前復(fù)用數(shù)據(jù)中心網(wǎng)絡(luò)的大規(guī)模 FPGA 云,，三個思想指導我們的路線：

　　硬件和軟件不是相互取代的關(guān)系,，而是合作的關(guān)系,；

　　必須具備靈活性，即用軟件定義的能力,；

　　必須具備可擴放性（scalability）,。

　　三、FPGA 在云計算中的角色

　　最后談一點我個人對 FPGA 在云計算中角色的思考,。作為三年級博士生,，我在微軟亞洲研究院的研究試圖回答兩個問題：

　　FPGA 在云規(guī)模的網(wǎng)絡(luò)互連系統(tǒng)中應(yīng)當充當怎樣的角色？

　　如何高效,、可擴放地對 FPGA + CPU 的異構(gòu)系統(tǒng)進行編程,？

　　我對 FPGA 業(yè)界主要的遺憾是，F(xiàn)PGA 在數(shù)據(jù)中心的主流用法,，從除微軟外的互聯(lián)網(wǎng)巨頭,，到兩大 FPGA 廠商,，再到學術(shù)界,，大多是把 FPGA 當作跟 GPU 一樣的計算密集型任務(wù)的加速卡。然而 FPGA 真的很適合做 GPU 的事情嗎,？

　　前面講過,，F(xiàn)PGA 和 GPU 最大的區(qū)別在于體系結(jié)構(gòu)，F(xiàn)PGA 更適合做需要低延遲的流式處理,，GPU 更適合做大批量同構(gòu)數(shù)據(jù)的處理,。

　　由于很多人打算把 FPGA 當作計算加速卡來用，兩大 FPGA 廠商推出的高層次編程模型也是基于 OpenCL,，模仿 GPU 基于共享內(nèi)存的批處理模式,。CPU 要交給 FPGA 做一件事，需要先放進 FPGA 板上的 DRAM,，然后告訴 FPGA 開始執(zhí)行,，F(xiàn)PGA 把執(zhí)行結(jié)果放回 DRAM，再通知 CPU 去取回,。

　　CPU 和 FPGA 之間本來可以通過 PCIe 高效通信,，為什么要到板上的 DRAM 繞一圈？也許是工程實現(xiàn)的問題,，我們發(fā)現(xiàn)通過 OpenCL 寫 DRAM,、啟動 kernel、讀 DRAM 一個來回,，需要 1.8 毫秒,。而通過 PCIe DMA 來通信，卻只要 1~2 微秒,。

　　PCIe I/O channel 與 OpenCL 的性能比較,?？v坐標為對數(shù)坐標。來源：[5]

　　OpenCL 里面多個 kernel 之間的通信就更夸張了,，默認的方式也是通過共享內(nèi)存,。

　　本文開篇就講，F(xiàn)PGA 比 CPU 和 GPU 能效高,，體系結(jié)構(gòu)上的根本優(yōu)勢是無指令,、無需共享內(nèi)存。使用共享內(nèi)存在多個 kernel 之間通信,，在順序通信（FIFO）的情況下是毫無必要的,。況且 FPGA 上的 DRAM 一般比 GPU 上的 DRAM 慢很多。

　　因此我們提出了 ClickNP 網(wǎng)絡(luò)編程框架 [5],，使用管道（channel）而非共享內(nèi)存來在執(zhí)行單元（element/kernel）間,、執(zhí)行單元和主機軟件間進行通信。

　　需要共享內(nèi)存的應(yīng)用,，也可以在管道的基礎(chǔ)上實現(xiàn),，畢竟 CSP（Communicating Sequential Process）和共享內(nèi)存理論上是等價的嘛。ClickNP 目前還是在 OpenCL 基礎(chǔ)上的一個框架,，受到 C 語言描述硬件的局限性（當然 HLS 比 Verilog 的開發(fā)效率確實高多了）,。理想的硬件描述語言，大概不會是 C 語言吧,。

　　ClickNP 使用 channel 在 elements 間通信,，來源：[5]

　　ClickNP 使用 channel 在 FPGA 和 CPU 間通信，來源：[5]

　　低延遲的流式處理,，需要最多的地方就是通信,。

　　然而 CPU 由于并行性的限制和操作系統(tǒng)的調(diào)度，做通信效率不高,，延遲也不穩(wěn)定,。

　　此外，通信就必然涉及到調(diào)度和仲裁,，CPU 由于單核性能的局限和核間通信的低效,，調(diào)度、仲裁性能受限,，硬件則很適合做這種重復(fù)工作,。因此我的博士研究把 FPGA 定義為通信的「大管家」，不管是服務(wù)器跟服務(wù)器之間的通信,，虛擬機跟虛擬機之間的通信,，進程跟進程之間的通信，CPU 跟存儲設(shè)備之間的通信,，都可以用 FPGA 來加速,。

　　成也蕭何,，敗也蕭何。缺少指令同時是 FPGA 的優(yōu)勢和軟肋,。

　　每做一點不同的事情,，就要占用一定的 FPGA 邏輯資源。如果要做的事情復(fù)雜,、重復(fù)性不強,，就會占用大量的邏輯資源，其中的大部分處于閑置狀態(tài),。這時就不如用馮·諾依曼結(jié)構(gòu)的處理器,。

　　數(shù)據(jù)中心里的很多任務(wù)有很強的局部性和重復(fù)性：一部分是虛擬化平臺需要做的網(wǎng)絡(luò)和存儲，這些都屬于通信,；另一部分是客戶計算任務(wù)里的,，比如機器學習、加密解密,。

　　首先把 FPGA 用于它最擅長的通信,，日后也許也會像 AWS 那樣把 FPGA 作為計算加速卡租給客戶。

　　不管通信還是機器學習,、加密解密,，算法都是很復(fù)雜的,，如果試圖用 FPGA 完全取代 CPU,，勢必會帶來 FPGA 邏輯資源極大的浪費，也會提高 FPGA 程序的開發(fā)成本,。更實用的做法是FPGA 和 CPU 協(xié)同工作,，局部性和重復(fù)性強的歸 FPGA，復(fù)雜的歸 CPU,。

　　當我們用 FPGA 加速了 Bing 搜索,、深度學習等越來越多的服務(wù)；當網(wǎng)絡(luò)虛擬化,、存儲虛擬化等基礎(chǔ)組件的數(shù)據(jù)平面被 FPGA 把持,；當 FPGA 組成的「數(shù)據(jù)中心加速平面」成為網(wǎng)絡(luò)和服務(wù)器之間的天塹……似乎有種感覺，F(xiàn)PGA 將掌控全局,，CPU 上的計算任務(wù)反而變得碎片化,，受 FPGA 的驅(qū)使。以往我們是 CPU 為主,，把重復(fù)的計算任務(wù)卸載（offload）到 FPGA 上,；以后會不會變成 FPGA 為主，把復(fù)雜的計算任務(wù)卸載到 CPU 上呢,？隨著 Xeon + FPGA 的問世,，古老的 SoC 會不會在數(shù)據(jù)中心煥發(fā)新生,？

　　「跨越內(nèi)存墻，走向可編程世界」（Across the memory wall and reach a fully programmable world.）

　　參考文獻：

[1] Large-Scale Reconfigurable Computing in a Microsoft Datacenter https://www.microsoft.com/en-us/research/wp-content/uploads/2014/06/HC26.12.520-Recon-Fabric-Pulnam-Microsoft-Catapult.pdf

[2] A Reconfigurable Fabric for Accelerating Large-Scale Datacenter Services, ISCA'14 https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/Catapult_ISCA_2014.pdf

[3] Microsoft Has a Whole New Kind of Computer Chip—and It'll Change Everything

[4] A Cloud-Scale Acceleration Architecture, MICRO'16 https://www.microsoft.com/en-us/research/wp-content/uploads/2016/10/Cloud-Scale-Acceleration-Architecture.pdf

[5] ClickNP: Highly Flexible and High-performance Network Processing with Reconfigurable Hardware - Microsoft Research

[6] Daniel Firestone, SmartNIC: Accelerating Azure's Network with. FPGAs on OCS servers.

更多信息可以來這里獲取==>>電子技術(shù)應(yīng)用-AET<<