一种多端口访问共享缓存的方法及装置制造方法及图纸

本发明专利技术公开了一种多端口访问共享缓存的方法及装置，该方法包括：采集多端口数据流量；将所采集的多端口数据流量作为样本，输入预先建立的BP神经网络模型进行训练；根据所述BP网络模型的输出值，计算每个端口访问共享缓存的时间长度；每个端口在所分配的时间长度内依次访问共享缓存。本发明专利技术通过统计多端口的数据流量，依据端口传输数量流量的多少，为每个端口分配相匹配的访问共享缓存的时间长度，合理利用缓存总线，保证各个端口与共享缓存之间数据传输的可靠性。

【技术实现步骤摘要】

本专利技术涉及网络通信
，尤其涉及一种多端口访问共享缓存的方法及装置。
技术介绍
共享缓存是交换机中比较常用的一种结构。在这种结构中，如图1所示，所有的输入端口和输出端口都共享一个缓存模块，所有需要经过交换机的数据都在缓存模块中存储转发。该结构的优点是缓存资源可以得到充分使用，可以获得最佳的时延和吞吐率性能。该结构的优点是缓存资源可以得到充分使用，可以获得最佳的时延和吞吐率性能。但是，因为缓存的集中管理和缓存的共用，导致缓存的读写访问时间限制了交换机的规模。如果通过增加缓存的带宽来提高速度，会增加芯片的设计难度。因此，必须有一种合理的缓存结构来管理缓存空间和缓存带宽。现有技术中，在输入端口访问共享缓存时，为每个端口分配均等的时间长度，在一个时钟周期内，每个端口在所分配的时间长度内，依次将缓冲区的数据包存储至缓存模块。但是，由于各个端口的数据流量不同，有的端口在所分配的时间长度内传输数据包后，缓冲区的数据包有剩余未传输的数据包，甚至有残余数据包，导致丢包；有的端口在所分配的时间长度内传输数据包时，仅利用部分时间长度，即完成数据包传输，导致部分时间长度浪费。
技术实现思路
本专利技术实施例提供一种多端口访问共享缓存的方法及装置，用以解决多端口访问共享缓存时，端口所分配的时间长度与端口所传输数据流量不匹配，导致数据丢包的问题。本专利技术实施例提供一种多端口访问共享缓存的方法，所述方法包括：采集多端口数据流量；根据所采集的多端口数据流量，计算每个端口访问共享缓存的时间长度；每个端口在所分配的时间长度内依次访问共享缓存。可选地，根据所采集的多端口数据流量，计算每个端口访问共享缓存的时间长度包括：将所采集的多端口数据流量作为样本，输入预先建立的BP神经网络模型进行训练；根据所述BP网络模型的输出值，计算每个端口访问共享缓存的时间长度。可选地，所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层与所述隐含层之间预设有连接权值，所述隐含层与所述输出层之间预设有连接权值，将所采集的多端口数据流量作为样本，输入预先建立的BP神经网络模型进行训练包括：S1、给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；S2、随机选取第k个输入样本并相应获得对应期望输出；S3、计算隐含层各神经元的输入和输出；S4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；S5、利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；S6、利用输出层各神经元的δo(k)和隐含层各神经元的输出修正连接权值who(k)；S7、利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权值；S8、计算全局误差；S9、判断网络误差是否满足要求，当误差达到预设精度或学习次数大于预设最大次数，结束算法，否则，选取下一个学习样本及对应的期望输出，返回至S3，进入下一轮学习。可选地，所述方法还包括：监测所述多端口在轮询一次访问共享缓存后是否存在未发送报文；对于多端口中任一端口，当所述端口在一次访问共享缓存后存在未发送报文时，触发BP网络模型重新训练，重新计算每个端口访问共享缓存的时间长度。可选地，所述方法还包括：监测所述多端口在访问共享缓存时数据流量的变化值；对于多端口中任一端口，当所述端口当前访问共享缓存的数据流量与上一次访问共享缓存的数据流量差值大于预设值时，触发BP网络模型重新训练，重新计算每个端口访问共享缓存的时间长度。本专利技术实施例还提供一种多端口访问共享缓存的装置，所述装置包括：数据流量采集模块，用于采集多端口数据流量；时间长度计算模块，用于根据所采集的多端口数据流量，计算每个端口访问共享缓存的时间长度；共享缓存访问模块，用于每个端口在所分配的时间长度内依次访问共享缓存。可选地，所述时间长度计算模块用于将所采集的多端口数据流量作为样本，输入预先建立的BP神经网络模型进行训练；根据所述BP网络模型的输出值，计算每个端口访问共享缓存的时间长度。可选地，所述BP神经网络模型包括输入层、隐含层和输出层，所述输入层与所述隐含层之间预设有连接权值，所述隐含层与所述输出层之间预设有连接权值，所述时间长度计算模块还用于S1、给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；S2、随机选取第k个输入样本并相应获得对应期望输出；S3、计算隐含层各神经元的输入和输出；S4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；S5、利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；S6、利用输出层各神经元的δo(k)和隐含层各神经元的输出修正连接权值who(k)；S7、利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权值；S8、计算全局误差；S9、判断网络误差是否满足要求，当误差达到预设精度或学习次数大于预设最大次数，结束算法，否则，选取下一个学习样本及对应的期望输出，返回至S3，进入下一轮学习。可选地，所述装置还包括：报文监控模块，用于监测所述多端口在轮询一次访问共享缓存后是否存在未发送报文；对于多端口中任一端口，当所述端口在一次访问共享缓存后存在未发送报文时，触发BP网络模型重新训练，重新计算每个端口访问共享缓存的时间长度。可选地，所述装置还包括：数据流量监控模块，用于监测所述多端口在访问共享缓存时数据流量的变化值；对于多端口中任一端口，当所述端口当前访问共享缓存的数据流量与上一次访问共享缓存的数据流量差值大于预设值时，触发BP网络模型重新训练，重新计算每个端口访问共享缓存的时间长度。本专利技术实施例提供的方法，通过统计多端口的数据流量，依据端口传输数量流量的多少，为每个端口分配相匹配的访问共享缓存的时间长度，合理利用缓存总线，保证各个端口与共享缓存之间数据传输的可靠性。附图说明图1为现有技术提供的共享缓存结构示意图；图2为本专利技术实施例提供的多端口访问共享缓存方法流程图；图3是本专利技术实施例提供的多端口访问共享缓存方法流程图；图4为本专利技术实施例提供的多端口访问共享缓存装置的结构示意图。具体实施方式本文档来自技高网...

【技术保护点】
一种多端口访问共享缓存的方法，其特征在于，所述方法包括：采集多端口数据流量；根据所采集的多端口数据流量，计算每个端口访问共享缓存的时间长度；每个端口在所分配的时间长度内依次访问共享缓存。

【技术特征摘要】
1.一种多端口访问共享缓存的方法，其特征在于，所述方法包括：
采集多端口数据流量；
根据所采集的多端口数据流量，计算每个端口访问共享缓存的时间长度；
每个端口在所分配的时间长度内依次访问共享缓存。
2.根据权利要求1所述的方法，其特征在于，根据所采集的多端口数据
流量，计算每个端口访问共享缓存的时间长度包括：
将所采集的多端口数据流量作为样本，输入预先建立的BP神经网络模型
进行训练；
根据所述BP网络模型的输出值，计算每个端口访问共享缓存的时间长度。
3.根据权利要求2所述的方法，其特征在于，所述BP神经网络模型包括
输入层、隐含层和输出层，所述输入层与所述隐含层之间预设有连接权值，所
述隐含层与所述输出层之间预设有连接权值，将所采集的多端口数据流量作为
样本，输入预先建立的BP神经网络模型进行训练包括：
S1、给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，
给定计算精度值ε和最大学习次数M；
S2、随机选取第k个输入样本并相应获得对应期望输出；
S3、计算隐含层各神经元的输入和输出；
S4、利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的
偏导数δo(k)；
S5、利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计
算误差函数对隐含层各神经元的偏导数δh(k)；
S6、利用输出层各神经元的δo(k)和隐含层各神经元的输出修正连接权值
who(k)；
S7、利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权值；
S8、计算全局误差；
S9、判断网络误差是否满足要求，当误差达到预设精度或学习次数大于预
设最大次数，结束算法，否则，选取下一个学习样本及对应的期望输出，返回
至S3，进入下一轮学习。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
监测所述多端口在轮询一次访问共享缓存后是否存在未发送报文；
对于多端口中任一端口，当所述端口在一次访问共享缓存后存在未发送报
文时，触发BP网络模型重新训练，重新计算每个端口访问共享缓存的时间长
度。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
监测所述多端口在访问共享缓存时数据流量的变化值；
对于多端口中任一端口，当所述端口当前访问共享缓存的数据流量与上一
次访问共享缓存的数据流量差值大于预设值时，触发BP网络模型重新训练，
重新计算每个端口访问共享缓存的时间长...

【专利技术属性】
技术研发人员：路全，
申请(专利权)人：北京东土科技股份有限公司，
类型：发明
国别省市：北京;11