简介
本白皮书探讨了TMS320C6678处理器的VLFFT演示。通过内置8个固定和浮点DSP内核的TMS320C6678处理器来执行16K-1024K的一维单精度浮点FFT算法样本，检测其分别在采用1,2,4或8核时各自的运行时间。演示的结果证明了C66X DSP内核的优异性能，以及TMS320C6678处理器跨多核平行化执行性能与内核数量成正比的特性。本文的演示采用FFT算法，该算法在诸如医学成像、通信、军事和商业雷达以及电子战(干扰器、抗干扰器)等领域中被频繁应用。本文演示结果显示，在运行速率为1 GHz，DSP内核为8个时，用TMS320C6678处理器执行1024K的FFT算法样本只需要6.4毫秒。
TMS320C6678 SoC
TMS320C6678处理器具有8个DSP内核，是基于TI的C66x 固定和浮点DSP内核以及 TI享有多核权利的创新型KeyStone构架创建的。它运行速度最高可达1.25GHz，在这个速度下它可以进行每秒160千兆次浮点运算，而且通常情况下消耗的电能不到10w。TMS320C6678处理器的特色是它每一个DSP内核都有512KB的 L2内存；此外，8MB的芯片内存中有4MB的共享内存，并且这两个内存都有纠错码。它的DDR3界面是64位的，有8位纠错码，运行速度可以高达每秒1600兆比特，同时支持高达8GB的外部存储器数据存取。此外，TMS320C6678的配套外设包括PCle、Serial RapidIO® 、Gigabit Ethernet以及TI的HyperLink界面，这个界面在连接到TI的其他DSP，ARM， ARM+DSP处理器以及第三方的FPGA时可以提供高达50Gbps的连接速度。
在本文的VLFFT演示中，TMS320C6678处理器运行速度为1GHz，DDR3界面传输速度为1333MHz。
图1 TMS320C6678框图
VLFFT演示
由于VLFFT算法要求将输入的数据存放在处理器的外部存储器当中，在本演示过程中，数据通过DSP内核存取、分配和处理，最后将结果输出到外部存储器中。同时，在整个过程中始终保持循环计数和时间测量。演示时，为TMS320C6678处理器配置不同数量的内核（1,2,4或8个）来计算当FFT大小不同时的结果，这些FFT规格包括：
16K
32K
64K
128K
156K
512K
1024K
在演示过程中，通过将计算负载分布到多个核和完全充分利用C66X DSP内核高性能计算能力的方法来确保执行FFT达到最大性能。同时运用基础时间抽取算法将一维VLFFT算法用类似的二维FFT算法来表达。这种方法是在遇到非常大的数据N时，分解成N=N1*N2的形式。在本演示过程中，如果一维输入数组非常大，就采用N1行*N2列的二维数组来表示，然后通过以下步骤来计算FFT：
1．计算N2列数组在N1行数组中不同大小时的FFT；
2．乘以旋转因子；
3．存储N2 列在N1行不同大小时FFT算法的结果，形成一个N2*N1的二维数组；
4．计算N1行数组在N2列数组中不同大小时的FFT；
5．存储列方向上的数据形成N2*N1二维数组。
这个算法被Takahashi称为Hitachi SR8000的高性能平行FFT算法。
在执行多核算法时，第一步是计算N2列（核的数量）在N1行规格下的FFT算法，第四步是计算N1行（核的数量）在N2列规格下的FFT算法。0核是主核，负责与所有剩下的附属核同步。根据N1数组和N2数组的大小，每一个内核计算出来的FFT总数都被分成几个较小的模块以适应每个核L2 SRAM内存的空间。每一组数据都通过外部存储器中的DMA 预取到L2 SRAM内存中，然后通过DDR将数据返回到外部存储器中。每个核都运用2个DMA通道在外部存储器（DDR3）和内部存储器（L2 SRAM）中转化输入和输出的数据。
结果
下页图表1展示了TMS320C6678评估版(TMDSEVM6678LE)分别在一个DSP周期和一个毫秒单位时间内运行FFT代码的结果。在理想状态下，当用于计算的内核数量增加一倍，循环计数就会减少一半。但在现实中，由于存在信息运行的天花板，同时受限于内存大小和信息宽度（内部存储器），这种情况很难实现。在这种情况下，当用双核取代单核时，运行FFT的时间平均减少了49.3 %，基本达到了理想的周期数的一半。当用四核替代一核时，运行FFT的时间平均减少了72.5%，而采用八核时平均运行时间则减少了81.6%。
表1：FFT分别在1/2/4/8DSP核时周期及毫秒的结果
由此我们可以看出，无论是双核还是四核，随着FFT的大小从16k增加到256k，运行时间减少的幅度也越来越大，而采用八核时运行时间减少的幅度更加剧烈。这是因为对于较小的FFT，核数越多，并行代码相对于额外增加核数来提高性能的代价要小很多。以前256KB的FFT，在提高性能方面的效果并不太理想，在双核时只能提高2倍，四核时也只有4倍，而在八核时反而会降低其性能。这是由于八核处理数据的速度远高于外部存储器传输数据的速度，从而使其存储空间到达上限导致的。在本演示中，计算一个大小为1024k的FFT，即一百万点的FFT，在采用8 个DSP内核，运行速率为1GHz时，运行时间仅6.4毫秒。
图2：单核与多核在性能上的提升
结论
综上所述，用TI的TMS320C6678处理器来执行一个百万点的FFT，在1GHz的工作频率下，8核同时运行所需时间仅需6.4毫秒。如此高速的DSP内核完全足以用来执行某些应用的实时运算，比如雷达、电子战争和医学绘图等。如果用最大速度1.25GHz来运行TMS320C6678处理器，同时采用更高带宽的DDR3和1600MTPS的话，执行运算所需时间会更短。 | 
