一种基于Impulse C的素域椭圆曲线点乘快速算法

针对大素数域椭圆加密点乘算法进行改进,在标准投影坐标系下分析固定基窗口NAF法,找出了制约此种方法的因素,通过对其基的灵活选用,并且加入滑动窗口,改进固定基窗口NAF法得到点乘运算的快速算法。利用Impulse C语言将改进前后的点乘算法函数进行并行优化编程实现,并将整个点乘运算的C代码生成高效的VHDL代码,利用StageMaster Explore对生成的VHDL代码进行分析。最后使用Xilinx ISE1 2.4对其进行综合仿真,在Xilinx Virtex-5 xc5vfx70t的硬件平台上实现了点乘算法的验证,验证结果表明本文的改进算法有效的提高了点乘运算的速度。     

一种面向部分可重构系统的实时调度算法

针对当前可重构资源模型难以实现或资源利用率低等不足,提出一种新的资源模型。基于此模型,设计一种能够调度周期和非周期任务的混合实时任务调度算法。把周期任务分成若干组,在FPGA上为每组任务预留一个槽。当有非周期任务到达时,预先调度当前忙碌期内的所有周期任务,在保证当前忙碌期内周期任务满足截止期限且不影响下一个忙碌期内周期任务执行的情况下,把非周期任务调度到某个槽内执行。实验结果表明,该算法能够充分利用可重构资源,满足所有接收任务的截止期限。     

优先约束的混合实时任务动态调度算法

为了对较大规模问题在短时间内给出满意的解并调度随机到达的非周期任务,提出了一种动态混合调度算法。在第一个截止期限错失时刻,通过分析系统的运行情况,推导出具有优先约束的实时任务可调度的充分条件。在系统运行前,判定周期任务的可调度性,预分配足够的处理机。当非周期任务到达系统时,在保证周期任务可调度的前提下重新给周期任务和非周期任务分配处理机。该算法具有多项式时间复杂性,适合解决较大规模的多处理机调度问题。实验结果表明,该算法有效提高了处理机的利用率和非周期任务的接收率。     

基于改进模拟退火的RISP软硬件划分

软硬件划分是可重构指令集处理器在软硬件协同设计中的关键问题.已经被证明是一个NP难问题;模拟退火在解决该类问题的算法中较为常用,但在任务数变大时,其收敛速度过慢且不一定能找到有效近似最优解,通过将cauchy分布引入扰动模型同时将其距离参数△y乘上一个系数,然后在已有代价函数的基础上提出一个更加有效的边界条件,最后将冷却进度表的算式乘上一个权值,以此加快算法的收敛速度;实验结果表明,和经典模拟退火算法相比,新算法的收敛速度明显提高,同时得到的解更接近最优解,其性能优势在任务数增大时尤为明显。     

一种面向部分可重构FPGA的混合实时调度算法

在CPU/FPGA平台上运行的实时任务通常由软/硬件子任务组成并存在优先约束关系。提出了一种软/硬件混合实时任务调度算法。在截止期限错失时刻,通过分析系统的运行情况,推导出实时任务可调度的充分条件。每个实时任务的硬件子任务分成多组,每组硬件子任务重叠配置到FPGA上。通过手工布局硬件子任务端口和总线端口,使得硬件子任务可动态的连接到系统总线上。实验表明,该算法能够满足任务的实时性,充分利用FPGA资源。     

允许多处理机故障的实时任务容错调度算法

随着故障处理机个数增加,基于主/从版本技术的实时容错调度算法对处理机利用率迅速下降。论文提出了一种能够调度周期和非周期混合实时任务的容错调度算法,该算法允许多个处理机出现故障。把DS(Deferrable Server)算法扩展到多处理机系统,可在系统中设置多个DS服务器来处理非周期任务。当处理机出现故障时,通过在其他处理机上回卷执行故障任务,保证了系统的容错性能。实验结果表明,该算法能够使系统接收的所有实时任务满足截止期限并有效地减少了所需的处理机数。     

可重构系统中实时任务容错调度算法

现在FPGA已被广泛的应用,但三模冗余(TMR)结构不能充分利用FPGA资源,基于主/从版本技术,提出一种实时任务容错调度算法。算法通过后向调度从版本,使得从版本在其截止期限内尽可能地推迟执行,从而同一任务的主从版本在执行时间上没有重叠或较少重叠,当任务主版本成功执行时释放任务从版本所占用的资源。仿真实验表明,与TMR相比,此方法能更有效地利用FPGA资源,提高硬件任务的接受率。     

基于改进遗传与模拟退火融合的RISP软硬件划分

软硬件划分是可重构指令集处理器在软硬件协同设计中的关键问题,通过对比遗传算法和经典模拟退火算法的优缺点,提出改进遗传算法的适应度函数,同时将Tsallis接受准则引入到经典模拟退火当中;其思路是用遗传算法的结果来制约模拟退火算法产生的随机状态,然后由模拟退火的接受准则以及产生的随机状态函数对遗传算法的种群进行更新,从而找到全局近似最优解;实验结果证明,改进算法与单一遗传算法以及经典模拟退火算法相比,其收敛速度和适应度更好,找到全局近似最优解的概率更大。