mesh路由器的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

深入理解複雜網路：網路和信號處理視角

為了解決mesh路由器的問題，作者(印度) B.S. 馬努基阿布舍克．查克拉博蒂 這樣論述：

本書試圖將網路、資訊科學、信號處理和統計物理學的研究團體結合在一起，從工程學角度重點關注通信、網路以及信號處理等方面，為理解複雜網路提供了一種新穎的研究方式。 B.S.馬努基（B.S. Manoj） 目前是印度空間科學與技術研究所航空電子部負責人、教授。Manoj的研究領域包括複雜網路、網路安全、認知網路、ad hoc無線網路、無線mesh網路、軟體定義網路、延遲容忍網路和無線感測器網路。2015年，Manoj獲得IEEE自然計算國際會議(ICNC)傑出領導獎，他與人合著的多篇論文獲得了許多獎勵。 出版者的話 推薦序 譯者序 前言 致謝 作者簡介 第

1章　概述1 1.1　複雜網路1 1.2　複雜網路類型2 1.3　研究複雜網路的好處4 1.3.1　建模和刻畫複雜物理世界系統4 1.3.2　設計新的高效物理世界系統5 1.3.3　制定複雜真實世界問題的解決方案5 1.3.4　通過分子網路建模提高生物醫學研究水準5 1.3.5　發展網路醫學5 1.3.6　摧毀反社會網路6 1.3.7　通過社交網路強化社會科學研究6 1.4　複雜網路研究面臨的挑戰6 1.5　本書內容概述6 1.6　本書內容組織7 1.6.1　對本書內容的閱讀建議8 1.7　面向教師的輔助材料9 1.8　小結9 第2章　圖論預備知識10 2.1　引言10 2.2　圖11 2.

2.1　子圖12 2.2.2　補圖13 2.3　與圖相關的矩陣13 2.3.1　權重矩陣14 2.3.2　鄰接矩陣14 2.3.3　關聯矩陣15 2.3.4　度矩陣15 2.3.5　拉普拉斯矩陣15 2.4　基本圖測度17 2.4.1　平均鄰居度17 2.4.2　平均聚類係數17 2.4.3　平均路徑長度18 2.4.4　平均邊長度19 2.4.5　圖的直徑與體積20 2.5　圖的基本定義與屬性20 2.5.1　途徑、路徑以及回路20 2.5.2　連通性21 2.5.3　無環性22 2.5.4　同構24 2.5.5　平面性24 2.5.6　可著色性25 2.5.7　可遍歷性26 2.5.8　網

路流27 2.5.9　乘積圖28 2.6　圖的類型30 2.6.1　正則圖30 2.6.2　二分圖30 2.6.3　完全圖31 2.6.4　樹31 2.6.5　線圖33 2.6.6　衝突圖34 2.7　圖的其他重要測度34 2.7.1　Cheeger常數35 2.7.2　團數35 2.8　圖尋路演算法35 2.8.1　Dijkstra最短路徑演算法36 2.8.2　所有節點對之間的最短路徑演算法37 2.9　小結38 練習題38 第3章　複雜網路概述42 3.1　複雜網路的主要類型42 3.1.1　隨機網路42 3.1.2　小世界網路43 3.1.3　無標度網路43 3.2　複雜網路測度43

3.2.1　平均鄰居度43 3.2.2　平均路徑長度44 3.2.3　網路直徑44 3.2.4　平均聚類係數44 3.2.5　度分佈44 3.2.6　中心性測度44 3.2.7　複雜網路中的度-度相關性48 3.2.8　節點臨界性49 3.2.9　網路電阻距離49 3.3　複雜網路中的社區發現50 3.3.1　模組度最大化50 3.3.2　Surprise最大化51 3.3.3　基於衝突圖變換的社區發現51 3.4　複雜網路中的熵60 3.4.1　網路熵60 3.4.2　節點度熵60 3.4.3　鏈路長度變化熵60 3.4.4　鏈路影響熵60 3.5　隨機網路68 3.5.1　隨機網路的演進

68 3.5.2　Erd鰏-Rényi隨機網路模型69 3.5.3　隨機網路的屬性69 3.6　開放性研究問題71 3.7　小結72 練習題72 第4章　小世界網路75 4.1　引言75 4.2　Milgram小世界實驗76 4.3　小世界網路的特徵77 4.4　現實世界的小世界網路80 4.5　小世界網路的生成與演進83 4.5.1　重連現有鏈路83 4.5.2　純隨機添加新的LL83 4.5.3　基於歐氏距離添加新的鏈路86 4.6　基於容量的確定性新鏈路添加86 4.6.1　最大流最小割定理87 4.6.2　基於最大流容量策略的鏈路添加89 4.7　建立確定性的小世界網路90 4.7.

1　基於最小APL的鏈路添加90 4.7.2　基於最小AEL的鏈路添加93 4.7.3　基於最大BC的鏈路添加93 4.7.4　基於最大CC的鏈路添加93 4.8　線性拓撲小世界網路的錨點93 4.8.1　錨點的重要性94 4.8.2　錨點的位置94 4.9　基於啟發式方法的確定性鏈路添加97 4.9.1　最大接近中心性差異97 4.9.2　順序確定性LL添加102 4.9.3　基於小世界特徵的平均流容量增強106 4.10　小世界網路中的路由111 4.10.1　分散式路由演算法112 4.10.2　自我調整分散式路由演算法112 4.10.3　前瞻式路由演算法115 4.11　小世界網路的

容量116 4.11.1　以重連現有NL方式生成的小世界網路的容量117 4.11.2　以LL添加方式生成的小世界網路的容量117 4.12　開放性研究問題118 4.13　小結118 練習題119 第5章　無標度網路122 5.1　引言122 5.1.1　無標度的含義是什麼123 5.2　無標度網路的特徵123 5.3　現實世界的無標度網路126 5.3.1　作者引用網路126 5.3.2　網際網路中的自治系統126 5.3.3　空中交通網絡127 5.3.4　識別無標度網路127 5.4　無標度網路的形成133 5.4.1　通過偏好連接創建無標度網路134 5.4.2　通過適應度建模創建

無標度網路134 5.4.3　通過可變內在適應度創建無標度網路134 5.4.4　通過優化創建無標度網路134 5.4.5　通過指數1創建無標度網路134 5.4.6　通過貪心全域決策創建無標度網路135 5.5　基於偏好連接的無標度網路創建135 5.5.1　Barabási-Albert網路模型135 5.5.2　觀察和討論136 5.6　基於適應度建模的無標度網路創建136 5.6.1　基於適應度的網路模型137 5.6.2　觀察和討論137 5.7　基於可變內在適應度的無標度網路創建138 5.7.1　基於可變內在適應度的網路模型138 5.7.2　觀察和討論138 5.8　基於優化的

無標度網路創建139 5.8.1　觀察和討論139 5.9　基於指數1的無標度網路創建140 5.9.1　通過重連創建無標度網路140 5.9.2　觀察和討論142 5.10　基於貪心全域決策的無標度網路創建142 5.10.1　貪心全域LL添加142 5.10.2　基於貪心全域決策的無標度網路中的一些觀察144 5.11　確定性的無標度網路創建145 5.11.1　確定性無標度網路模型145 5.11.2　對確定性無標度網路創建的一些觀察146 5.12　開放性研究問題147 5.13　小結148 練習題148 第6章　小世界無線mesh網路150 6.1　引言150 6.1.1　小世界特

徵152 6.1.2　小世界無線mesh網路152 6.2　小世界無線mesh網路的分類152 6.3　隨機LL的創建153 6.3.1　通過重連普通鏈路創建隨機LL153 6.3.2　通過添加新的鏈路創建隨機LL154 6.4　基於純隨機鏈路添加的小世界155 6.5　基於歐氏距離的小世界155 6.6　基於天線度量的小世界網路的實現156 6.6.1　基於傳輸功率的LL添加156 6.6.2　基於隨機波束形成的LL添加156 6.6.3　基於傳輸功率和波束形成的LL添加157 6.7　創建小世界無線mesh網路的演算法機制158 6.7.1　基於接觸的LL添加158 6.7.2　基於遺傳演

算法的LL添加158 6.7.3　基於小世界協同路由的LL添加159 6.8　以閘道路由器為中心的小世界網路形成159 6.8.1　基於單閘道路由器的LL添加160 6.8.2　基於多閘道路由器的LL添加164 6.9　創建確定性的小世界無線mesh網路167 6.9.1　基於窮舉搜索的確定性LL添加167 6.9.2　基於啟發式方法的確定性LL添加168 6.10　創建非持久小世界無線mesh網路168 6.10.1　基於資料騾子的LL創建168 6.10.2　負載感知的LL創建169 6.11　小世界無線mesh網路中的非持久路由171 6.11.1　負載感知的非持久小世界路由172 6.

11.2　LNPR演算法的性能評估173 6.12　現有解決方案的定性比較175 6.13　開放性研究問題177 6.14　小結178 練習題178 第7章　小世界無線感測器網路180 7.1　引言180 7.2　小世界無線mesh網路和小世界無線感測器網路181 7.3　為何選擇小世界無線感測器網路182 7.4　將WSN轉換為SWWSN面臨的挑戰185 7.5　SWWSN的遠程鏈路類型186 7.6　將WSN轉換為SWWSN的方法187 7.6.1　現有方法的分類187 7.6.2　性能評估測度188 7.6.3　將正則拓撲WSN轉換為SWWSN189 7.6.4　隨機模型異構SWWSN

192 7.6.5　基於Newman-Watts模型的SWWSN193 7.6.6　基於Kleinberg模型的SWWSN193 7.6.7　基於有向隨機模型的SWWSN194 7.6.8　基於可變速率自我調整調製的SWWSN196 7.6.9　基於度的LL添加創建SWWSN198 7.6.10　基於禁止距離的LL添加創建SWWSN199 7.6.11　同構SWWSN200 7.7　基於有線LL的SWWSN201 7.8　開放性研究問題202 7.9　小結204 練習題204 第8章　複雜網路的譜207 8.1　引言207 8.2　圖的譜208 8.3　圖的鄰接矩陣譜209 8.3.1　特徵

值的邊界209 8.3.2　特殊圖的鄰接矩陣譜210 8.4　複雜網路的鄰接矩陣譜212 8.4.1　隨機網路213 8.4.2　隨機正則網路213 8.4.3　小世界網路214 8.4.4　無標度網路214 8.5　圖的拉普拉斯譜216 8.5.1　拉普拉斯運算元特徵值的界217 8.5.2　歸一化拉普拉斯運算元特徵值的界217 8.5.3　矩陣樹定理218 8.5.4　拉普拉斯譜和圖的連通性218 8.5.5　譜圖聚類220 8.5.6　特殊圖的拉普拉斯譜220 8.6　複雜網路的拉普拉斯譜222 8.6.1　隨機網路222 8.6.2　隨機正則網路223 8.6.3　小世界網路223 8

.6.4　無標度網路224 8.7　使用譜密度進行網路分類225 8.8　開放性研究問題225 8.9　小結226 練習題226 第9章　複雜網路上的信號處理229 9.1　圖信號處理簡介229 9.1.1　圖信號的數學表示231 9.2　經典信號處理和圖信號處理的比較231 9.2.1　圖傅裡葉變換與經典離散傅裡葉變換的關係232 9.3　圖拉普拉斯運算元233 9.3.1　圖拉普拉斯運算元的性質233 9.3.2　圖譜234 9.4　量化圖信號的變化234 9.5　圖傅裡葉變換235 9.5.1　頻率和頻率排序的概念237 9.5.2　頻寬受限的圖信號240 9.5.3　頂點索引的影響2

40 9.6　圖信號的廣義運算元242 9.6.1　濾波242 9.6.2　卷積244 9.6.3　平移245 9.6.4　調製246 9.7　應用246 9.7.1　節點中心性的譜分析246 9.7.2　圖傅裡葉變換中心性252 9.7.3　感測器網路中的故障檢測255 9.8　窗口圖傅裡葉變換255 9.8.1　窗口圖傅裡葉變換的示例257 9.9　開放性研究問題258 9.10　小結259 練習題259 第10章　圖信號處理方法263 10.1　引言263 10.2　基於拉普拉斯矩陣的圖信號處理263 10.3　DSPG框架264 10.3.1　線性圖濾波器和移位元不變性64 10.4

　基於權重矩陣的DSPG框架265 10.4.1　移位運算元265 10.4.2　線性移位元不變圖濾波器266 10.4.3　總方差267 10.4.4　圖傅裡葉變換268 10.4.5　線性移位元不變圖濾波器的頻率回應270 10.5　基於有向拉普拉斯運算元的DSPG框架271 10.5.1　有向拉普拉斯運算元271 10.5.2　移位運算元272 10.5.3　線性移位元不變圖濾波器272 10.5.4　總方差273 10.5.5　基於有向拉普拉斯運算元的圖傅裡葉變換274 10.5.6　線性移位元不變圖濾波器的頻率回應278 10.6　圖信號處理方法的比較278 10.7　開放性研究問題

279 10.8　小結279 練習題280 第11章　複雜網路的多尺度分析285 11.1　引言285 11.2　複雜網路資料的多尺度變換286 11.2.1　頂點域設計286 11.2.2　譜域設計286 11.3　Crovella-Kolaczyk小波變換287 11.3.1　CK小波287 11.3.2　小波變換287 11.3.3　小波的性質288 11.3.4　示例288 11.3.5　優點和缺點289 11.4　隨機變換289 11.4.1　優點和缺點290 11.5　基於提升的小波290 11.5.1　將圖拆分為偶數節點和奇數節點290 11.5.2　基於提升的變換291 11

.6　雙通道圖小波濾波器組291 11.6.1　圖中的下採樣和上採樣292 11.6.2　雙通道圖小波濾波器組294 11.6.3　圖正交鏡像濾波器組295 11.6.4　任意圖的多維可分小波濾波器組296 11.7　譜圖小波變換296 11.7.1　SGWT的矩陣形式297 11.7.2　小波生成核297 11.7.3　SGWT的示例299 11.7.4　優點和缺點300 11.8　基於有向拉普拉斯運算元的譜圖小波變換300 11.8.1　小波300 11.8.2　小波生成核301 11.8.3　示例302 11.9　擴散小波303 11.9.1　優點和缺點303 11.10　開放性研究問題

303 11.11　小結304 練習題304 附錄A　向量和矩陣307 附錄B　經典信號處理314 附錄C　錨點位置分析319 附錄D　函數的漸近行為322 附錄E　相關學術課程及專案324 附錄F　相關期刊和會議327 附錄G　相關資料集和視覺化工具330 附錄H　相關研究組332 符號335 縮略語338 參考文獻342 索引355

mesh路由器進入發燒排行的影片

雙 uCPE：具有高可用和負載平衡的計算服務 NVR、POS 和 Wi-Fi

為了解決mesh路由器的問題，作者何寬宥 這樣論述：

服務提供商安裝客戶端設備（CPE）以在客戶端網絡中託管各種服務，例如網際網路網關、路由器、防火牆和機頂盒。虛擬化技術能夠虛擬化 x86 服務器上的服務，從而導致虛擬 CPE（vCPE）的出現。 vCPE 將計算和網絡服務合併在同一台服務器中，稱為通用 CPE（uCPE）。將所有服務託管在同一台服務器上會增加服務器負載，並可能導致災難性故障。在本論文中，我們提出了一種雙 uCPE架構，它支持高可用性計算和網絡服務，以最大限度地減少零售商案例研究中出現故障時的停機時間。雙uCPE系統採用主從模式，承載銷售時點情報系統（POS）、網路影片錄像機（NVR）、無線存取點（AP）等零售商應用。提出了三層

HA 網絡以確保 WAN 連接、託管虛擬路由器的雙 uCPE 服務器以及使用雙 WAN、雙網關和無線分佈式系統（WDS）的 WiFi 接入點的可用性。還實施了雙廣域網和雙網關上的流量平衡以提高吞吐量。評估了 HA 系統的故障轉移和故障恢復性能。 POS 和 NVR 故障轉移時間分別為 9.12 和 8.76 秒，而故障恢復時間為 7.1 和 6.92 秒。由於無需等待三個廣告消息序列進行恢復，因此故障回复時間更快。 HA 網絡的故障轉移和故障恢復時間在 WAN 連接失敗的情況下均為 0 秒，在 uCPE 服務器故障的情況下為 4.42 和 0.13 秒，在 AP 故障的情況下為 40.14

和 30.02 秒。 AP 上的故障耗時最長，因為它需要重新配置 WDS，這比使用 VRRP 的服務器恢復需要更多時間。雙uCPE在所有故障情況下的平均停機時間約為秒，這比人工手動恢復（可能需要幾分鐘）快得多。

Kubernetes權威指南：企業級容器雲實戰

為了解決mesh路由器的問題，作者閆健勇 這樣論述：

本書是基於《Kubernetes權威指南：從Docker到Kubernetes實踐全接觸》進行企業級容器雲平臺建設的實戰指南，力圖對容器雲平臺的建設、應用和運營過程提供全方位的指導。其中，第1章對企業級容器雲平臺應該如何進行規劃和建設提供指導。第2章對在容器雲平臺上如何管理需要為租戶提供的計算資源、存儲資源、網路資源和鏡像資源等基礎資源進行分析和說明。第3章從應用部署範本、應用配置範本、應用的灰度發佈更新策略、彈性擴縮容等方面對容器雲平臺上應用部署的相關管理工作進行講解。第4章從微服務架構的起源、Kubernetes的微服務體系、ServiceMesh及多集群統一服務管理等方面對容器雲平臺的微

服務管控機制進行分析和說明。第5章從容器雲平臺的DevOps管理、應用的日誌管理、監控和告警管理、安全管理、平臺資料的備份等方面對生產運營過程中的主要工作進行分析和說明。第6章通過常見系統的容器化改造遷移方案，為傳統應用如何上雲提供指導。第7章對容器雲PaaS平臺的建設和應用進行說明。第8章通過3個案例，對大型專案在容器雲PaaS平臺上的應用、複雜分散式系統的容器化實踐為讀者提供參考。無論是對於系統架構師、開發和測試人員、運維人員，還是對於企業IT主管、系統管理員、平臺管理員、SRE人員等，本書都非常有參考價值。本書也適合作為高等院校電腦專業雲計算及容器技術方面的教材使用。

閆健勇，HPE高級項目經理、總架構師，有超過15年的電信行業系統建設經驗，主導了多項電信大型系統的架構設計和管理，對於雲計算和大數據在電信行業中的應用擁有豐富的經驗。 龔正，HPE高級顧問，擁有15年IT從業經歷，具有豐富的雲計算、大數據分析和大型企業級應用架構設計和實施經驗，負責過多個大型雲平台的規劃和建設，是電信、金融、互聯網等領域的資深專家。 吳 治輝，HPE資深架構師，擁有超過15年的軟體研發經驗，專註于電信軟體和雲計算領域的軟體研發，擁有豐富的大型項目架構設計經驗，是業界少有的具備很強 Coding能力的S級資深架構師，也是《ZeroC Ice權威指南》《架構解密：從

分散式到微服務》《區塊鏈輕鬆上手：原理、源碼、搭建與應用》的作者。 第1章 容器雲平臺的建設和規劃 1 1.1 為什麼要建設企業級容器雲 1 1.2 企業IT系統現狀調研分析 2 1.3 企業級容器雲技術選型 5 1.4 企業級容器雲總體架構方案設計 8 1.5 企業級容器雲PaaS與IaaS的邊界限定 12 1.6 企業級容器雲建設應遵循的標準 14 1.7 小結 18 第2章 資源管理 19 2.1 計算資源管理 19 2.1.1 多集群資源管理 20 2.1.2 資源分區管理 22 2.1.3 資源配額和資源限制管理 23 2.1.4 服務埠號管理 26 2.2 網路

資源管理 27 2.2.1 跨主機容器網路方案 27 2.2.2 網路策略管理 38 2.2.3 集群邊界路由器Ingress的管理 40 2.2.4 集群DNS功能變數名稱服務管理 48 2.3 存儲資源管理 53 2.3.1 Kubernetes支援的Volume類型 54 2.3.2 共用存儲簡介 54 2.3.3 CSI簡介 58 2.3.4 存儲資源的應用場景 61 2.4 鏡像資源管理 64 2.4.1 鏡像生命週期管理 64 2.4.2 鏡像庫多租戶許可權管理 65 2.4.3 鏡像庫遠端複製管理 65 2.4.4 鏡像庫操作審計管理 66 2.4.5 開源容器鏡像庫介紹 66

第3章 應用管理 71 3.1 應用的創建 72 3.1.1 應用範本的定義 72 3.1.2 應用配置管理 81 3.2 應用部署管理 84 3.2.1 對多集群環境下應用的一鍵部署管理 84 3.2.2 對應用更新時的灰度發佈策略管理 85 3.3 應用的彈性伸縮管理 89 3.3.1 手工擴縮容 89 3.3.2 基於CPU使用率的自動擴縮容 90 3.3.3 基於自訂業務指標的自動擴縮容 92 3.4 應用的日誌管理和監控管理 97 第4章 微服務管理體系 98 4.1 從單體架構到微服務架構 98 4.2 Kubernetes微服務架構 107 4.3 Service Mesh與Ku

bernetes 114 4.4 Kubernetes多集群微服務解決方案 133 4.5 小結 139 第5章 平臺運營管理 140 5.1 DevOps管理 140 5.1.1 DevOps概述 140 5.1.2 DevOps持續集成實戰 144 5.1.3 小結 153 5.2 日誌管理 153 5.2.1 日誌的集中採集 153 5.2.2 日誌的查詢分析 157 5.3 監控和告警管理 163 5.3.1 監控管理 163 5.3.2 告警管理 170 5.4 安全管理 176 5.4.1 用戶角色的許可權管理 177 5.4.2 租戶對應用資源的訪問安全管理 178 5.4.3

Kubernetes系統級的安全管理 182 5.4.4 與應用相關的敏感資訊管理 183 5.4.5 網路級別的安全管理 184 5.5 容器雲平臺關鍵資料的備份管理 185 5.5.1 etcd資料備份及恢復 185 5.5.2 Elasticsearch資料備份及恢復 188 5.5.3 InfluxDB資料備份及恢復 191 第6章 傳統應用的容器化遷移 195 6.1 Java應用的容器化改造遷移 195 6.1.1 Java應用的代碼改造 196 6.1.2 Java應用的容器鏡像構建 197 6.1.3 在Kubernetes上建模與部署 199 6.2 PHP應用的容器化改造遷

移 200 6.2.1 PHP應用的容器鏡像構建 201 6.2.2 在Kubernetes上建模與部署 205 6.3 複雜中介軟體的容器化改造遷移 207 第7章 容器雲PaaS平臺落地實踐 210 7.1 容器雲平臺運營全生命週期管理 210 7.2 專案准入和準備 211 7.2.1 運營介面的劃分 211 7.2.2 專案准入規範和要求 214 7.2.3 多租戶資源申請流程 218 7.2.4 集群建設及應用部署 219 7.3 持續集成和持續交付 220 7.3.1 應用程式管理 220 7.3.2 微服務設計規範 221 7.3.3 應用打包/鏡像管理規範 224 7.3.4

應用自動化升級部署/灰度發佈 229 7.4 服務運營管理 231 7.4.1 應用容量的自動擴縮容 231 7.4.2 故障容災切換 233 7.4.3 Docker、Kubernetes的升級 233 7.5 監控分析 237 7.5.1 綜合監控 237 7.5.2 事件回應和處理 239 7.5.3 資料分析和度量 242 7.6 回饋與優化 244 第8章 案例分享 246 8.1 某大型企業的容器雲PaaS平臺應用案例 246 8.2 Kubernetes在大資料領域的應用案例 258 8.3 Kubernetes在NFV領域的應用案例 269

適用於任意卷積核運算之高適用性網格晶片內網路深度類神經網路處理器設計

為了解決mesh路由器的問題，作者楊岳錡 這樣論述：

近年來，由於實時 (real-time) 應用軟體的需求急遽增加，深度類神經網路 (Deep Neural Network, DNN) 加速器 (accelerator) 設計受到了廣泛的關注。由於各種應用對於計算的要求不同，使用的目標DNN模型中涉及的卷積核 (convolutional kernel) 大小將不固定，這增加了DNN加速器設計上的困難度。一般而言，傳統的加速器會依據目標DNN模型中最大的卷積核大小，採用處理元件 (Processing Element, PE) 陣列來設計DNN加速器。但是，這種最壞情況 (worst-case) 的設計考量會導致較低的硬體資源使用率。此外，

基於陣列的專用PE互連限制了使用資料再用法 (data reuse method) 可以降低記憶體存取量的效益，其原因在於很難設計適當的資料流 (dataflow) 來支持基於PE陣列的加速器去採用多種資料再用法。為了解決上述的問題以及提高互連的靈活性，我們提出採用晶片內網路 (Network-on-chip, NoC) 互連的高卷積核大小適用性DNN處理器設計。透過所提出的權重式類神經網路運算處理機制 (weight-wise NN processing mechanism) 配合NoC提供的彈性資料流，可將多種資料再用法用於目標DNN模型中的任意卷積核大小，從而有效降低處理DNN運算所需的

記憶體存取量以及提高處理運算時的硬體資源使用率。另外，為了有效降低晶片內網路處理資料傳輸的時間，我們提出基於X-Y路由的低成本多播傳輸法 (low-cost X-Y routing-based multicast transmission)，針對多播傳輸中提出低複雜度路由器設計以及低成本多播封包設計，以解決路由器設計的高複雜度問題以及封包設計的高硬體成本消耗問題外，並提出輸入取向行映射演算法 (input-oriented column mapping algorithm) 進一步優化資料傳輸效率。由於所提出的基於NoC的DNN處理器設計可適用於任意卷積核大小並且有效使用多種資料再用法，因此與

相關研究相比，所提出的設計可將PE計算能力平均利用率提高2%至21%，並減少41%至62%的記憶體存取量，從而節省47%至61.1%的能源消耗。此外，所提出的多播傳輸法可以改善90%的NoC系統的傳輸延遲時間。