云計算已經成為了一種新的計算范式。對于云計算而言，虛擬化是一項必不可少的技術，通過將硬件資源虛擬化，可以實現(xiàn)用戶之間的隔離、系統(tǒng)的靈活可擴展，提升安全性，使得硬件資源可被充分利用。

從 2017 年起，因為FPGA的高可編程性、低延遲、高能效等特點，越來越多的云服務提供商，如 Amazon、阿里云、微軟 Azure，都開始在云端提供了賽靈思 FPGA 實例，邁出了云計算發(fā)展的重要一步。然而截至目前，F(xiàn)PGA 云服務仍以物理卡的形式、面向單一的靜態(tài)任務，沒有很好的針對云端 FPGA 虛擬化的解決方案。最近，在 FPGA 領域頂級學術會議 FCCM2020 上，清華大學汪玉教授研究小組就這一課題實現(xiàn)了重要突破。

—— 姚頌

賽靈思人工智能業(yè)務高級總監(jiān)

開創(chuàng)先河

探索 FPGA 虛擬化之路

曾書霖：一直以來，我們團隊的研究重點都是以移動端神經網絡加速器為基礎，在此之上思索如何推廣到云端數(shù)據(jù)中心進行擴展。為了適配云端的虛擬化特性，從硬件架構到軟件設計都要實現(xiàn)對虛擬化的支持。2019 年我們發(fā)現(xiàn)，雖然在 CPU 和 GPU 上針對AI應用已經有很多支持虛擬化的解決方案，但是在 FPGA 領域還缺乏相對成熟的方案。于是，我們決定在 FPGA 上面同時針對深度學習和虛擬化進行研究，力圖實現(xiàn) AI 應用在云端數(shù)據(jù)中心的高效部署。簡單來講，就是研究如何讓多個用戶的 AI 應用能夠同時在一個 FPGA 上高效、可靠、靈活地運行起來。

舉個例子，數(shù)據(jù)中心工作負載有一個重要特性，就是不僅存在多個用戶，而且工作負載是的。針對數(shù)據(jù)中心多任務和動態(tài)負載的特點，深度學習加速器既要能夠支持這種多任務并發(fā)執(zhí)行，同時也需要適應快速的動態(tài)負載變化?；谶@種思考，我們的研究定位于對原有移動端只能支持單任務和靜態(tài)負載的神經網絡加速器進行拓展，使之可以支持多任務并發(fā)和動態(tài)負載支持的虛擬化加速器設計。

為此，我們通過多核硬件資源池、基于分塊 (tilling) 的指令封裝、兩級靜態(tài)與動態(tài)編譯的方式，實現(xiàn)了任務間的分離，同時還能保證快速在線重編程。

在今年5月舉行的 FPGA 領域頂級會議 FCCM 2020 上，我們團隊發(fā)表了針對深度學習加速的 FPGA 虛擬化方案。通常在 FCCM 這樣的頂級學術會議，只有評分最高的論文才會被接收，并且接收率只有 20%。因此，論文能被接收對我們團隊研究工作是極大的認可與鼓勵。這篇論文已經發(fā)布在 Arxiv 平臺，有興趣的朋友可以前往下載。

https://arxiv.org/abs/2003.12101

痛點驅動

硬件重配置帶來的時間及開銷壓力

曾書霖：在研究中，我們對公有云和私有云兩種場景進行了區(qū)分(如下圖所示）。公有云主要強調用戶之間的隔離，包括資源隔離和性能隔離。

私有云（如下圖）更像單獨為一個企業(yè)或用戶搭建的服務器，這個服務器要能夠支持多個用戶或多個任務同時執(zhí)行，換句話說，就是對硬件資源持續(xù)且最大化的性能和資源利用。這種情況下，就要根據(jù)不同任務負載情況實現(xiàn)資源的動態(tài)劃分。因此，隨著負載變化愈加頻繁，每次負載變化都會導致整個硬件資源的重配置。我們在研究中針對不同場景進行分析，也是為了找到一種途徑從而有效降低整體重配置時間。

另一方面，一類神經網絡加速器主要是基于HLS開發(fā)，它的特點是每一次神經網絡模型發(fā)生變化時，硬件加速器也會發(fā)生相應變化，這就意味著每當用戶的任務或負載發(fā)生變化，它都需要重新生成一個加速器，即重新利用 Vivado生成一個新的硬件比特流，這方面的時間開銷是無法接受的。

與之相比，以賽靈思 DPU 加速器為代表的基于指令集的深度學習加速器，則可以通過指令集方式支持不同神經網絡模型。也就是說，當用戶任務或者負載發(fā)生變化時，無需重新生成硬件比特信息，而只需要利用軟件編譯器去生成對應指令，但這個過程依然比較慢，且頻繁的重配置甚至可能會嚴重影響用戶的任務進度。從這一維度來講，我們也希望把重配置時間盡可能降低。

Alveo+阿里云

FPGA 虛擬化研究的實驗環(huán)境

曾書霖：這一研究的最初想法誕生于 2019 年 5 月。在一年的時間里，我們從產生想法到搭建論文框架，再到不斷完善，通過團隊通力合作逐漸充實論文內容。剛開始我們只考慮了云端場景，針對虛擬化和加速器也只有初步規(guī)劃，對于真實云端應用的特性并沒有太透徹的思考，目前的研究成果都是團隊在實際研究中不斷梳理總結而成的。

一直以來，我們實驗室的研究都是以賽靈思 FPGA 為基礎。在此次研究中，我們使用賽靈思 Alveo U200 數(shù)據(jù)中心加速器卡搭建了云端加速器的本地環(huán)境。同時，我們也用到賽靈思 Virtex UltraScale+ VU9P 實現(xiàn) FPGA 虛擬化環(huán)境，這是一個阿里云 F3 的實例，我們希望除了本地有一個可比擬的環(huán)境，在云端也有一個環(huán)境去驗證我們的設計。

后續(xù)計劃

完善整個FPGA虛擬化系統(tǒng)演示

曾書霖：未來我們會繼續(xù)就 FPGA 虛擬化整個課題，對研究以及論文進行系統(tǒng)層面的拓展，我們的目標是繼續(xù)發(fā)表一篇系統(tǒng)領域的期刊論文。目前，整篇論文的工作還是以相對簡單的DNN負載在單個 FPGA 上加速器的性能仿真為主，下一步的系統(tǒng)層面拓展會有一個更加復雜的軟件棧，除了底層硬件加速器、軟件編譯器，還會有操作系統(tǒng)、通信協(xié)議和一些虛擬化容器（container）實現(xiàn)宿主機和用戶之間的對接。我們的后續(xù)工作包括在軟件系統(tǒng)層融合主機端和客戶端的通信框架，搭建基礎的虛擬化操作系統(tǒng)，并針對整個軟件棧從系統(tǒng)的角度進行針對復雜的云端 AI 負載開展一些實驗性探究，完善整個 FPGA 虛擬化系統(tǒng)的 demo。

另外，我們還會考慮把研究擴展到大規(guī)模的、多塊 FPGA 的數(shù)據(jù)中心場景，從單卡設計拓展到多卡設計?？梢灶A見到的是，在未來研究中隨著多卡的引入，我們會面臨一些嶄新的挑戰(zhàn)，而我們也也需要站在更宏觀的角度對更多情況進行綜合考量，這些對我們團隊的科研能力是非常好的鍛煉。

FPGA 研究

挑戰(zhàn)與機遇并存的新課題

曾書霖：我在賽靈思和收購之前的深鑒科技都有過實習經驗，這也使我對 FPGA 和 AI、深度學習有了更深入的體驗。在賽靈思實習時，我在負責 FPGA 開發(fā)的硬件組，組長給我的任務是學習使用賽靈思的 SDAccel/SDx 工具（現(xiàn)已整合進 Vitis），于是我得以接觸到針對云端軟件的開發(fā)工具，這在我后來進行這一研究以及開展實驗起到了非常重要的作用，因為研究過程中的很多工作是圍繞 SDx 開展的，并且數(shù)據(jù)中心里面一個很重要部署的軟件就是 SDAccel。

在我看來，F(xiàn)PGA 在未來將是一個與 CPU、GPU 同樣必不可少的芯片品類，特別在數(shù)據(jù)中心場景里將扮演重要角色。未來的數(shù)據(jù)中心將是異構計算為核心的硬件數(shù)據(jù)中心，在這種場景下，單獨依靠每一個硬件都無法實現(xiàn)整個數(shù)據(jù)中心性能和能效的最大化，我們必須要綜合考慮不同的硬件，以虛擬化思想嘗試把所有硬件資源最大化利用起來。業(yè)界與學術界此前針對 CPU、GPU 的研究已經較為充分，但對于如何把 FPGA 性能與能效最大化以及如何與其他硬件相結合，以實現(xiàn)一個支持智能應用的異構系統(tǒng)，還有很大的空間可以發(fā)展，當然同時也是一個頗具挑戰(zhàn)性的課題領域。