看FPGA如何在大数据的热潮中坐实第一把交椅

数据正在成为人类社会进步新的驱动力。有专家预测，未来5年中国大数据产业规模年均增长率将超过50%，到2020年中国的数据总量将占全球数据总量比例的20%，成为世界第一数据资源大国和全球数据中心。不过在垂涎于这个大数据盛宴的同时，我们也面临着一个“成长中的烦恼”：我们是否有足够的能力去处理和“消化”这些海量的数据？虽然近年来数据中心的数量也在快速增加，但是面对数据处理任务指数级的增长，还是需要从更底层的核心硬件架构上寻求解决方案。

通用CPU是传统数据中心的核心，不过由于它是基于指令译码执行、共享内存的经典的冯·诺依曼结构， 注定了其可以完成复杂性的数据处理工作，但是处理大量并行的、重复性的数据并非其强项。“多核”CPU是一个应对之策，但仍然无法摆脱架构的限制，加之摩尔定律日益逼近天花板，依托制程工艺的进步带来性能上的提升，这条路也越来越不好走。因此异构处理器的概念被提出来，简单地说，就是将CPU不擅长的工作卸载到其他更适合的器件中去处理，不同架构的数据处理器件协同工作，各司其职，提升效率。在异构数据处理中，究竟谁适合与CPU“相加”，业界有不同的思路，通常吞吐率、延迟、功耗和灵活性会被作为评估的基本标准。

在异构处理器中，“CPU+GPU”是一个重要选项。GPU采用SIMD（单指令流多数据流）的方式让多个执行单元以同样的步调处理不同的数据，大大提升了并行数据处理的能力，在计算密集型任务中可堪重用。不过GPU有一个“硬伤”，就是在延迟比较高。这是因为GPU虽可实现数据并行但是其流水线深度受限，每个计算单元处理不同的数据包时，需要按照统一的步调做相同的事，这就使得输入输出的延迟增加，通常GPU的延迟会达到毫秒级。

要想克服上述问题，就需要今天的主角“FPGA”出场了。FPGA是一种可编程逻辑器件，可以根据需要通过软件编程去定义器件的硬件功能，非常灵活。这也就意味着基于FPGA的数据处理架构，每个逻辑单元的功能都是定义好的，无需指令就可完成工作，也不需要复杂的共用内存的调度和裁判，摆脱了冯·诺依曼架构的牵绊。在延时方面，FPGA的优势尤为明显，其不但可以实现数据并行，还可以实现流水线并行，流水线的不同级处理不同的数据包，这就使得不同数据的处理无需等待更为便捷，其延时只有微秒级。从数据吞吐能力上看，新一代FPGA的数据处理加速能力理论上已经可以与GPU比肩。同时拜不断进步的半导体工艺所赐，FPGA器件的功率也控制得很好。所以CPU+FPGA这种异构处理器组合被越来越多的人所看好。

还有一种技术选择我们不得不提一下，那就是ASIC。单从性能上讲，为特定网络数据加速目的而制造的专用ASIC芯片无疑在吞吐量、延迟、功耗方面都是最具竞争力的，但是有两个因素使其被数据中心用户拒之门外：一是ASIC的研发和流片成本越来越高，除非有足够的规模，否则经济性上没有优势；二是一旦数据处理任务需求发生变化，功能固化的ASIC就“废”了，而如果使用FPGA则无需担心这个问题，只要重新编程重新定义器件的功能即可，这对用户的投资是很有效地保障。这就是FPGA在灵活性上的优势。

表1，几种数据处理架构在计算密集型任务中的性能比较

可以说，在异构处理架构中，虽然每种技术都各有千秋，但是FPGA各方面的表现最为均衡，可以令用户获得的效益最大化。由此也就不难理解一年前Intel为什么乐于花费巨资收购全球排名第二的FPGA厂商Altera，此举也无疑为FPGA未来在数据中心中的地位做了背书。同时，在FPGA行业头把交椅上的Xilinx近年来的表现也更加活跃和抢眼，横向合作上与AMD、ARM、华为、IBM、Mellanox、高通等共推开放式的数据加速架构，打造生态链；纵向上接连绑定亚马逊、百度等互联网巨头，让FPGA在人工智能、视频处理、 自然语言处理、金融分析、网络安全等未来核心数据应用处理领域，坐实其核心的位置。显而易见，大数据之“火”，已经点着了FPGA，谁能抓住机会，谁就能在大数据的热潮中火一把。

图1，Xilinx的FPGA被用于百度数据中心，未来会对百度的无人驾驶汽车提供支撑

图2，腾讯推出的FPGA云服务器，可为用户提供FPGA云租用服务