Платформи FPGA та їх використання в кордонних обчисленнях

Автор(и)

DOI:

https://doi.org/10.31861/sisiot2025.2.02008

Ключові слова:

кордонні обчислення, програмована логікова інтегральна схема, ПЛІС система-на-кристалі, гнучкі системи, Інтернет речей

Анотація

У статті розглядається роль і перспективи застосування програмованих логікових інтегральних схем (FPGA) та платформ типу «система на кристалі» (SoC FPGA) у підході кордонних обчислень (Edge Computing). Особлива увага приділяється поєднанню адаптивності, точного контролю енергоспоживання та високого рівня паралелізму, які є критично важливими характеристиками сучасних edge-платформ. Проаналізовано поточний стан інтеграції FPGA у практичних сценаріях кордонних обчислень – від відеоаналітики в транспортних системах до промислової вібраційної діагностики та прискорення телекомунікаційних обчислень. Розглянуто приклади як традиційних FPGA-рішень, так і гібридних архітектур на базі SoC FPGA, у яких програмована логіка тісно інтегрована з процесорами на базі ARM для досягнення збалансованого розподілу навантаження між програмними та апаратними компонентами. Показано, що такі системи дають змогу зменшити затримку обробки, оптимізувати енергоспоживання та забезпечити автономну роботу навіть у віддалених або нестабільних мережевих умовах. Окрему увагу приділено ролі вбудованих операційних систем у контексті платформ SoC FPGA, де середовища на базі Linux забезпечують розмежування логіки керування та апаратно прискорених шляхів обробки даних. Обговорюється вплив вбудованих операційних систем на гнучкість архітектури, повторне використання програмного забезпечення, механізми оновлення та довгострокову підтримку периферійних пристроїв на базі FPGA. Також у роботі розглядаються технічні та організаційні бар’єри, що обмежують широкомасштабне впровадження FPGA-орієнтованих edge-систем, зокрема відсутність уніфікованих інструментів синтезу високого рівня, складність освоєння проєктування з використанням мов опису апаратури (HDL), а також обмежена підтримка інфраструктурно-орієнтованих робочих процесів. Проаналізовано підходи до динамічної реконфігурації FPGA-частини, що спрямовані на підвищення адаптивності локальних IoT-систем, а також проблеми тестування, конфігурації та масштабування при адаптації платформ до нових вимог функціонування. Сучасні інструменти та фреймворки для гнучкого проєктування систем, включаючи хмарні сервіси та високорівневі середовища розробки (Vitis HLS, Intel oneAPI), розглядаються в контексті зменшення складності розробки та прискорення ітерацій проєктування.

Завантажити

Дані для завантаження поки недоступні.

Біографія автора

  • Юрій Герман, Чернівецький національний університет імені Юрія Федьковича

    Аспірант кафедри радіотехніки та інформаційної безпеки Чернівецького національного університету імені Юрія Федькова. Сфера наукових інтересів: розробка FPGA, вбудовані системи та IoT.

Посилання

A. M. Sheikh et al., “A survey on edge computing (EC) security challenges: classification, threats, and mitigation strategies,” Future Internet, vol. 17, no. 4, p. 175, 2025, doi: 10.3390/fi17040175.

X X. Wang and W. Jia, “Optimizing edge AI: A comprehensive survey on data, model, and system strategies,” arXiv:2501.03265, 2025. [Online]. Available: https://doi.org/10.48550/arXiv.2501.03265.

J.-Y. Zhan et al., “FPGA-based acceleration for binary neural networks in edge computing,” Journal of Electronic Science and Technology, vol. 21, p. 100204, 2023, doi: 10.1016/j.jnlest.2023.100204.

P. Schulz and G. Sleahtitchi, “FPGA-based accelerator method for edge computing,” Preprints, 2024, doi: 10.20944/preprints202405.0657.v1.

O. Hryshchuk and S. Zagorodnyuk, “Managing energy consumption in FPGA-based edge computing systems with soft-core CPUs,” Journal of Edge Computing, 2025, doi: 10.55056/jec.717.

T. Wilson et al., “Low-power FPGA design for edge computing systems,” technical report, 2024. [Online]. Available: https://www.researchgate.net/publication/388753313_Low-Power_FPGA_Design_for_Edge_Computing_Systems.

S. Chi, H. Lee, and J. Choi, “An edge computing system with AMD Xilinx FPGA AI platform for advanced driver assistance,” Sensors, vol. 24, no. 10, p. 3098, 2024, doi: 10.3390/s24103098.

Efinix, Inc., “Edge computing with FPGAs.” [Online]. Available: https://www.efinixinc.com/blog/edge-computing-with-fpgas.html.

S. Jiang et al., “Accelerating mobile applications at the network edge with software-programmable FPGAs,” in Proc. IEEE INFOCOM, Honolulu, HI, USA, 2018, pp. 55–62, doi: 10.1109/INFOCOM.2018.8485850.

A. Boutros, N. Shanbhag, and D. Chen, “Field-programmable gate array architecture for deep learning: Survey and future directions,” arXiv:2404.10076, 2024. [Online]. Available: https://arxiv.org/abs/2404.10076.

W. Li, “Dataflow and tiling strategies in edge-AI FPGA accelerators: A comprehensive literature review,” arXiv:2505.08992, 2025.

Q. Shen, Y. Huang, and L. Wang, “T-Edge: Trusted heterogeneous edge computing,” arXiv:2503.16612, 2024.

R. Calì, L. Falaschetti, and G. Biagetti, “Optimized implementation of YOLOv3-Tiny for real-time image and video recognition on FPGA,” Electronics, vol. 14, no. 20, p. 3993, 2025, doi: 10.3390/electronics14203993.

Завантаження


Переглядів анотації: 16

Опубліковано

2025-12-30

Номер

Розділ

Статті

Схожі статті

1-10 з 52

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

Статті цього автора (цих авторів), які найбільше читають