看FPGA如何在大數據的熱潮中坐實第一把交椅

數據正在成為人類社會進步新的驅動力。有專家預測，未來5年大數據產業規模年均增長率將超過50%，到2020年的數據總量將佔全球數據總量比例的20%，成為世界第一數據資源大國和全球數據中心。不過在垂涎於這個大數據盛宴的同時，我們也面臨著一個「成長中的煩惱」：我們是否有足夠的能力去處理和「消化」這些海量的數據？雖然近年來數據中心的數量也在快速增加，但是面對數據處理任務指數級的增長，還是需要從更底層的核心硬體架構上尋求解決方案。

通用CPU是傳統數據中心的核心，不過由於它是基於指令解碼執行、共享內存的經典的馮·諾依曼結構， 註定了其可以完成複雜性的數據處理工作，但是處理大量并行的、重複性的數據並非其強項。「多核」CPU是一個應對之策，但仍然無法擺脫架構的限制，加之摩爾定律日益逼近天花板，依託製程工藝的進步帶來性能上的提升，這條路也越來越不好走。因此異構處理器的概念被提出來，簡單地說，就是將CPU不擅長的工作卸載到其他更適合的器件中去處理，不同架構的數據處理器件協同工作，各司其職，提升效率。在異構數據處理中，究竟誰適合與CPU「相加」，業界有不同的思路，通常吞吐率、延遲、功耗和靈活性會被作為評估的基本標準。

在異構處理器中，「CPU+GPU」是一個重要選項。GPU採用SIMD（單指令流多數據流）的方式讓多個執行單元以同樣的步調處理不同的數據，大大提升了并行數據處理的能力，在計算密集型任務中可堪重用。不過GPU有一個「硬傷」，就是在延遲比較高。這是因為GPU雖可實現數據并行但是其流水線深度受限，每個計算單元處理不同的數據包時，需要按照統一的步調做相同的事，這就使得輸入輸出的延遲增加，通常GPU的延遲會達到毫秒級。

要想克服上述問題，就需要今天的主角「FPGA」出場了。FPGA是一種可編程邏輯器件，可以根據需要通過軟體編程去定義器件的硬體功能，非常靈活。這也就意味著基於FPGA的數據處理架構，每個邏輯單元的功能都是定義好的，無需指令就可完成工作，也不需要複雜的共用內存的調度和裁判，擺脫了馮·諾依曼架構的牽絆。在延時方面，FPGA的優勢尤為明顯，其不但可以實現數據并行，還可以實現流水線并行，流水線的不同級處理不同的數據包，這就使得不同數據的處理無需等待更為便捷，其延時只有微秒級。從數據吞吐能力上看，新一代FPGA的數據處理加速能力理論上已經可以與GPU比肩。同時拜不斷進步的半導體工藝所賜，FPGA器件的功率也控制得很好。所以CPU+FPGA這種異構處理器組合被越來越多的人所看好。

還有一種技術選擇我們不得不提一下，那就是ASIC。單從性能上講，為特定網路數據加速目的而製造的專用ASIC晶元無疑在吞吐量、延遲、功耗方面都是最具競爭力的，但是有兩個因素使其被數據中心用戶拒之門外：一是ASIC的研發和流片成本越來越高，除非有足夠的規模，否則經濟性上沒有優勢；二是一旦數據處理任務需求發生變化，功能固化的ASIC就「廢」了，而如果使用FPGA則無需擔心這個問題，只要重新編程重新定義器件的功能即可，這對用戶的投資是很有效地保障。這就是FPGA在靈活性上的優勢。

表1，幾種數據處理架構在計算密集型任務中的性能比較

可以說，在異構處理架構中，雖然每種技術都各有千秋，但是FPGA各方面的表現最為均衡，可以令用戶獲得的效益最大化。由此也就不難理解一年前Intel為什麼樂於花費巨資收購全球排名第二的FPGA廠商Altera，此舉也無疑為FPGA未來在數據中心中的地位做了背書。同時，在FPGA行業頭把交椅上的Xilinx近年來的表現也更加活躍和搶眼，橫向合作上與AMD、ARM、華為、IBM、Mellanox、高通等共推開放式的數據加速架構，打造生態鏈；縱向上接連綁定亞馬遜、百度等互聯網巨頭，讓FPGA在人工智慧、視頻處理、 自然語言處理、金融分析、網路安全等未來核心數據應用處理領域，坐實其核心的位置。顯而易見，大數據之「火」，已經點著了FPGA，誰能抓住機會，誰就能在大數據的熱潮中火一把。

圖1，Xilinx的FPGA被用於百度數據中心，未來會對百度的無人駕駛汽車提供支撐

圖2，騰訊推出的FPGA雲伺服器，可為用戶提供FPGA雲租用服務