片上网络设计流程是设计一款NoC架构,测试并确定该片上网络的瓶颈,再有针对性的改进该片上网络架构。一般使用注入流量仿真来测试并确定该片上网络的瓶颈。主流的注入流量包括流量模式、基于依赖关系的trace流和真实应用,使用这三种注入流量进行仿真时各有利弊。流量模式仿真有可能会造成仿真结果不准确,因为它高度抽象化;基于依赖关系的trace流仿真可操作性差,因为需要预先得到trace流,同时提取trace十分繁琐;真实应用仿真十分耗时因为其数据太冗余。基于流量阶段性行为的片上网络流量缩减方法是通过消除真实应用的阶段性冗余数据,从而在保证测试结果准确性的前提下大大缩短仿真时间。本文使用时间间隔来进行流量切片,流量切片后先使用标量表示流量切片的时间性行为,再使用向量表示流量切片的空间性行为;使用k-means聚类算法选出具有代表性的流量片段;使用马尔科夫链来连接这些具有代表性的流量片段。由于流量并不是一成不变,它在时间性上具有猝发性,这使得流量时而密集时而稀疏,因此不能对所有的流量使用相同粒度的流量缩减方法进行处理。为了更加准确体现流量的猝发性,对于那些流量稀疏片段,只需使用粗粒度缩减方法一次即可;而对于那些流量密集片段,使用细粒度进行多次缩减处理。即本文针对不同大小的流量使用不同粒度的缩减处理,这样不仅能更加精确地表示整个流量的运行过程,还能提高使用缩减方法后的流量仿真精确度。本文分别在精确度和时间这两个方面上验证缩减后流量。在精确度上,从延迟和吞吐率进行验证,在延迟上对比于真实应用误差在8.6%~14.6%,对比于基于依赖关系的trace流误差在3.6%~9.9%。在吞吐率上对比于真实应用误差在7.3%~13.3%,对比于基于依赖关系的trace流误差在3.2%~18.9%;在时间上,仿真加速比对比于真实应用仿真为20~30,对比于基于依赖关系的trace流为2~4.5。使用本文缩减后的流量进行片上网络架构仿真测试,可以大大缩减仿真时间从而达到加速芯片研发,缩短整个研发周期。