第5章：时序参数与控制策略

结构 tFAW_Tracker:
  激活队列[4]  // 记录最近4次激活的时间戳
  队列头 = 0
  队列计数 = 0

函数 可以激活(当前时间):
  if 队列计数 < 4:
    return true  // 还没有4次激活

  最早激活时间 = 激活队列[队列头]
  if (当前时间 - 最早激活时间) >= tFAW:
    return true  // 最早的激活已经超出窗口
  else:
    return false  // 违反tFAW

函数 记录激活(当前时间):
  if 队列计数 == 4:
    队列头 = (队列头 + 1) % 4  // 移除最早的
  else:
    队列计数++

  写入位置 = (队列头 + 队列计数 - 1) % 4
  激活队列[写入位置] = 当前时间

函数 获取下次可激活时间():
  if 队列计数 < 4:
    return 当前时间
  else:
    return 激活队列[队列头] + tFAW

自适应刷新控制器：

输入信号：

  - 温度传感器
  - 请求队列深度
  - QoS紧急度
  - 带宽利用率
  - 功耗预算

状态定义：
  NORMAL: 标准分布式刷新
  AGGRESSIVE: 提前刷新，寻找空闲
  POSTPONE: 延迟刷新，累积债务
  BURST: 批量刷新
  EMERGENCY: 温度过高，加倍频率

刷新债务管理：
  最大债务 = 8
  当前债务 = 0

算法主循环：
  every tREFI/N:  // N是检查频率倍数

    // 温度补偿
    if 温度 > 95°C:
      切换到EMERGENCY
      刷新间隔 = tREFI/4
    elif 温度 > 85°C:
      刷新间隔 = tREFI/2

    // 负载自适应
    if 请求队列空:
      执行所有欠债刷新
      当前债务 = 0
      切换到AGGRESSIVE

    elif QoS紧急度 > 阈值:
      if 当前债务 < 最大债务:
        延迟刷新
        当前债务++
        切换到POSTPONE
      else:
        必须立即刷新

    elif 带宽利用率 < 30%:
      // 低负载，优化延迟
      切换到NORMAL
      分散执行刷新

    else:
      // 高负载，批处理
      if 当前债务 > 4:
        切换到BURST
        连续执行债务个刷新

预测性刷新：
  监控历史访问模式
  识别周期性空闲窗口
  在预测的空闲期提前刷新

紧急处理：
  if 距离强制刷新 < 100ns:
    中断所有操作
    立即执行刷新
    记录紧急事件

Bank Group感知调度器：

Bank组织 (DDR4/5):
  4个Bank Group
  每组4个Bank
  总共16个Bank

时序差异：
  tRRD_S = 4个时钟 (同组)
  tRRD_L = 6个时钟 (不同组)
  tCCD_S = 4个时钟 (同组列命令)
  tCCD_L = 6个时钟 (不同组列命令)

地址映射优化：
  原始: Row | Bank | Column
  优化: Row | BankGroup | Bank | Column

  好处：连续地址分散到不同组

调度算法：

1. 请求分类：
   将请求按Bank Group分类到4个子队列

2. 组级轮询：
   上次访问组 = -1

   选择下一个组():
     // 优先选择不同组
     for g in [0,1,2,3]:
       if g != 上次访问组 && 子队列[g]非空:
         return g
     // 如果必须同组，选择等待最久的
     return 最久等待组

3. 组内调度：
   在选定的组内使用FR-FCFS
   考虑Page Hit优先

4. 时序检查优化：
   can_activate(bank, 当前时间):
     目标组 = bank / 4

     for 已激活bank in 历史:
       已激活组 = 已激活bank / 4

       if 目标组 == 已激活组:
         约束 = tRRD_S
       else:
         约束 = tRRD_L

       if 当前时间 - 激活时间[已激活bank] < 约束:
         return false

     return true

5. 流水线优化：
   安排激活序列:
     T+0: ACT Bank0 (Group0)
     T+4: ACT Bank4 (Group1) // 利用tRRD_L
     T+8: ACT Bank8 (Group2)
     T+12: ACT Bank12 (Group3)
     T+16: ACT Bank1 (Group0) // 回到Group0

   相比全部同组：
     节省 = (tRRD_L - tRRD_S) × 3 = 6个时钟

性能模型：
  理想加速比 = tRRD_S / tRRD_L = 0.67
  实际加速比取决于访问模式的组分布

ML辅助Page策略预测器：

特征提取（每个Bank）：

1. 时间特征：
   - 最近N次访问的时间间隔均值和方差
   - 访问频率（访问次数/时间窗口）
   - 突发度（短时间内的访问聚集度）

2. 空间特征：
   - Page Hit率（滑动窗口）
   - 行地址熵（访问分散度）
   - 连续访问的地址跨度

3. 系统特征：
   - 当前带宽利用率
   - 请求队列深度
   - 读写比例

特征向量 = [时间均值, 时间方差, 频率, Hit率, 地址熵, ...]

模型选择：
使用轻量级决策树（深度限制为3）

  原因：

  - 推理速度快（<10个时钟）
  - 可解释性强
  - 易于硬件实现

  决策树结构：
  if Page_Hit率 > 0.6:
    预测 = Open_Page
  elif 地址熵 > 0.8:
    预测 = Closed_Page
  elif 时间间隔 < 100ns:
    预测 = Open_Page
  else:
    预测 = Adaptive

在线学习机制：

1. 性能反馈收集：
   每1024次访问为一个epoch
   记录实际性能：

   - 平均延迟
   - Hit率
   - 功耗

2. 增量学习：
   使用指数加权移动平均更新决策阈值

   新阈值 = α×当前阈值 + (1-α)×最优观察值
   α = 0.9 (学习率)

3. A/B测试：
   10%的时间使用探索策略
   90%的时间使用当前最优策略

   探索期间尝试不同策略
   比较性能并更新模型

4. 概念漂移检测：
   监控预测准确率
   if 准确率下降 > 20%:
     触发模型重训练
     增加探索比例到30%

硬件实现优化：

1. 特征计算流水线：
   使用增量更新避免重复计算
   并行计算多个特征

2. 决策树编码：
   使用查找表实现
   将浮点比较转为整数比较

3. 缓存预测结果：
   相同特征向量直接返回缓存结果
   减少重复推理

效果评估：
  基准（静态Open Page）: 100%
  基准（静态Closed Page）: 95%
  简单自适应: 110%
  ML辅助预测: 118-125%

  额外硬件开销: <1000个逻辑门
  额外延迟: <2个时钟周期

Same Bank Refresh优化调度器：

DDR5刷新模式：
  All Bank Refresh: tRFC = 410ns (16Gb)
  Same Bank Refresh: tRFC_sb = 115ns
  每个Bank独立刷新计时器

数据放置策略：

1. Bank着色：
   将数据分类：

   - 关键数据（低延迟要求）
   - 流数据（高带宽要求）
   - 普通数据

   Bank分配：
   Bank[0-3]: 关键数据专用
   Bank[4-11]: 流数据
   Bank[12-15]: 普通数据

2. 热度跟踪：
   每个页面维护访问计数器
   热页面 = 访问频率 > 阈值

   热页面迁移：
   if 页面变热 && 在普通Bank:
     迁移到关键Bank
   if 页面变冷 && 在关键Bank:
     迁移到普通Bank

刷新调度算法：

1. 分散刷新时机：
   将32个Bank的刷新均匀分散
   Bank[i]刷新时间 = 基准时间 + (i * tREFI/32)

   好处：任意时刻最多1个Bank在刷新

2. 负载感知调度：
   for each Bank:
     负载指标 = 最近1ms的访问次数

   刷新优先级 = 1/负载指标

   选择刷新Bank:
     在必须刷新的Bank中
     选择负载最低的

3. 投机刷新：
   if Bank空闲时间 > 阈值:
     即使未到期也执行刷新
     重置该Bank的刷新计时器

4. 刷新聚合：
   相邻Bank的刷新可以合并
   if Bank[i]和Bank[i+1]都接近刷新期限:
     同时刷新两个Bank
     节省命令开销

关键路径保护：

1. 紧急请求处理：
   if 请求目标Bank正在刷新:
     if 请求紧急度 > 阈值:
       if 刷新刚开始(<10%):
         中断刷新
         服务请求
         稍后重新刷新
       else:
         寻找替代数据副本
         或等待刷新完成

2. 预测性数据复制：
   识别关键访问路径
   在多个Bank维护副本
   刷新期间使用副本服务

性能分析：

传统All Bank Refresh:
  阻塞时间 = tRFC = 410ns
  影响范围 = 整个Rank
  性能损失 = 5-8%

优化的Same Bank Refresh:
  阻塞时间 = tRFC_sb = 115ns  
  影响范围 = 1/32的容量
  性能损失 = 1-2%

关键指标：
  刷新引起的延迟增加: -72%
  99分位延迟: -65%
  带宽损失: -60%

实现复杂度：
  额外状态: 32个刷新计时器
  额外逻辑: Bank选择和迁移控制
  面积开销: <2%

多目标优化时序控制器：

优化目标：

1. 性能 (P): 带宽、延迟
2. 功耗 (E): 动态功耗、静态功耗
3. QoS (Q): 公平性、延迟保证

可调参数空间：

- 时序参数: tRRD, tFAW (在规范允许范围内)
- 策略参数: Page策略、刷新模式
- 调度参数: 批大小、优先级权重

多目标优化框架：

1. 性能模型：
   带宽(params) = f_bw(tRRD, tFAW, Page策略)
   延迟(params) = f_lat(tCL, Page策略, 调度)

   性能分数 = α_bw × 带宽/带宽_max + α_lat × 延迟_min/延迟

2. 功耗模型：
   P_dynamic = N_act × E_act + N_rd × E_rd + N_wr × E_wr
   P_static = P_standby × (1 - 活跃比例)

   功耗分数 = P_budget / P_total

3. QoS模型：
   公平性 = min(各流带宽) / avg(各流带宽)
   违约率 = 超时请求数 / 总请求数

   QoS分数 = β_fair × 公平性 + β_ddl × (1 - 违约率)

运行时优化算法：

状态空间探索：
  当前配置 = 默认配置
  最优配置 = 当前配置

  every 适应周期 (100ms):
    // 梯度估计
    for each 可调参数 p:
      扰动配置 = 当前配置
      扰动配置[p] += δ

      性能梯度[p] = (性能(扰动) - 性能(当前)) / δ
      功耗梯度[p] = (功耗(扰动) - 功耗(当前)) / δ
      QoS梯度[p] = (QoS(扰动) - QoS(当前)) / δ

    // 多目标权重动态调整
    if 功耗接近限制:
      增加功耗权重
    if QoS违约增加:
      增加QoS权重
    if 性能不足:
      增加性能权重

    // 计算帕累托改进方向
    改进方向 = 0
    for each 目标 o:
      改进方向 += 权重[o] × 梯度[o]

    // 更新配置
    新配置 = 当前配置 + 学习率 × 改进方向

    // 约束检查
    新配置 = 限制在有效范围内(新配置)

    if 总体收益(新配置) > 总体收益(最优配置):
      最优配置 = 新配置

配置切换策略：

平滑过渡：
  不立即切换到新配置
  逐步调整避免抖动

  for step in [1..10]:
    中间配置 = 线性插值(当前, 目标, step/10)
    应用配置(中间配置)
    等待稳定(10ms)

安全机制：
  if 性能下降 > 20%:
    回滚到上一个稳定配置
  if 功耗超限:
    立即切换到省电配置
  if QoS严重违约:
    切换到QoS优先配置

预设模板：

高性能模式:
  tRRD = 最小值
  tFAW = 最小值
  Page策略 = Open
  调度 = 激进

平衡模式:
  tRRD = 标准值
  tFAW = 标准值  
  Page策略 = Adaptive
  调度 = FR-FCFS

节能模式:
  tRRD = 放松20%
  tFAW = 放松30%
  Page策略 = Closed
  调度 = 批处理

QoS模式:
  参数 = 标准值
  Page策略 = Adaptive
  调度 = 严格优先级

效果评估：

静态配置基准: 100%
简单动态切换: 108%
多目标优化: 115-122%

额外收益:

- 功耗降低: 12-18%
- QoS违约率降低: 45%
- 适应时间: <100ms