联邦学习专用处理器、联邦学习处理芯片及芯片的制作方法

技术特征：
1.一种联邦学习专用处理器，其特征在于，所述联邦学习专用处理器包括彼此独立的多个处理引擎，所述多个处理引擎的每一个处理引擎包括并行的至少一个处理子引擎，所述多个处理引擎的每一个处理引擎属于多个类别中的一个类别，所述多个类别包括加密、解密、密文运算以及密钥管理，其中，所述联邦学习专用处理器用于接收联邦学习任务，基于所述联邦学习任务生成所述联邦学习任务的任务配置信息，根据所述任务配置信息确定所述多个处理引擎的调用次序，根据该调用次序确定被调用的处理引擎，根据所述任务配置信息和该被调用的处理引擎的状态生成引擎配置信息，根据所述引擎配置信息对该被调用的处理引擎进行配置和调用从而完成所述联邦学习任务，其中，所述多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第一部分的处理子引擎和第二部分的处理子引擎组成，所述第一部分的处理子引擎的个数根据联邦学习通用业务场景预先设定，所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习任务关联的联邦学习子业务场景调整，所述联邦学习子业务场景是多种预设子业务场景中的一种预设子业务场景，所述多种预设子业务场景基于所述联邦学习通用业务场景。2.根据权利要求1所述的联邦学习专用处理器，其特征在于，所述多种预设子业务场景包括以下至少之一：银行子业务场景、电商子业务场景、安防子业务场景、政务子业务场景、交通子业务场景、证券子业务场景、医疗服务子业务场景、制药子业务场景、航空子业务场景。3.根据权利要求2所述的联邦学习专用处理器，其特征在于，所述联邦学习任务的所述任务配置信息包括与所述联邦学习任务关联的所述联邦学习子业务场景，其中，根据所述任务配置信息确定所述多个处理引擎的调用次序，包括：根据所述联邦学习子业务场景确定所述多个处理引擎的调用次序。4.根据权利要求2所述的联邦学习专用处理器，其特征在于，所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习任务关联的所述联邦学习子业务场景调整，包括：根据所述联邦学习子业务场景确定与所述联邦学习子业务场景相对应的资源需求，所述资源需求包括数据位宽需求和运算模式需求；和根据所述资源需求确定所述第二部分的处理子引擎的个数。5.根据权利要求4所述的联邦学习专用处理器，其特征在于，所述第一部分的处理子引擎的个数根据所述联邦学习通用业务场景预先设定，包括：所述第一部分的处理子引擎的个数是出厂默认值和调整值的和，所述调整值根据所述联邦学习通用业务场景在预设范围内确定。6.根据权利要求1至5中任一项所述的联邦学习专用处理器，其特征在于，所述多个处理引擎包括密钥交换引擎、数据求交引擎、同态加密引擎、同态解密引擎、密态加法引擎、密态乘法引擎、矩阵加法引擎、矩阵乘法引擎以及密文累加引擎。7.根据权利要求6所述的联邦学习专用处理器，其特征在于，所述同态加密引擎用于全同态加密和半同态加密，所述同态解密引擎用于全同态解密和半同态解密，所述密态加法引擎用于向量级密态加法，所述密态乘法引擎用于向量级密态乘法，所述矩阵加法引擎用于数组和矩阵之间的密态加法以及矩阵和矩阵之间的密态加法，所述矩阵乘法引擎用于数组和矩阵之间的密态乘法以及矩阵和矩阵之间的密态乘法，所述密文累加引擎用于密文数
据的串行累加计算。8.根据权利要求1至5中任一项所述的联邦学习专用处理器，其特征在于，该被调用的处理引擎的状态包括该被调用的处理引擎所包括的处理子引擎中的空闲处理子引擎的个数，所述引擎配置信息包括该被调用的处理引擎的数据分配方式，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，包括：当所述空闲处理子引擎的个数大于或者等于待计算数据的个数时，按照特定次序分配所述待计算数据给该被调用的处理引擎所包括的处理子引擎，所述待计算数据的个数根据所述任务配置信息确定；和当所述空闲处理子引擎的个数小于所述待计算数据的个数时，重复进行：按照所述特定次序分配所述待计算数据给该被调用的处理引擎所包括的处理子引擎中的空闲处理子引擎直到所有空闲处理子引擎被分配。9.根据权利要求8所述的联邦学习专用处理器，其特征在于，所述特定次序包括顺序轮询方式或者随机轮询方式。10.根据权利要求8所述的联邦学习专用处理器，其特征在于，该被调用的处理引擎的状态还包括该被调用的处理引擎的利用率，所述引擎配置信息包括该被调用的处理引擎的资源配置，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，还包括：根据所述任务配置信息和该被调用的处理引擎的利用率调整该被调用的处理引擎的资源配置。11.根据权利要求8所述的联邦学习专用处理器，其特征在于，该被调用的处理引擎的状态还包括该被调用的处理引擎的功耗，所述引擎配置信息包括该被调用的处理引擎的资源配置，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，还包括：根据所述任务配置信息和该被调用的处理引擎的功耗调整该被调用的处理引擎的资源配置。12.一种芯片，用于联邦学习，其特征在于，所述芯片包括彼此独立的多个处理引擎，所述多个处理引擎的每一个处理引擎包括并行的至少一个处理子引擎，所述多个处理引擎分别为密钥交换引擎、数据求交引擎、同态加密引擎、同态解密引擎、密态加法引擎、密态乘法引擎、矩阵加法引擎、矩阵乘法引擎以及密文累加引擎，所述多个处理引擎的每个处理引擎被调用时通过各自的处理子引擎独立进行运算，其中，所述芯片用于接收联邦学习任务，基于所述联邦学习任务生成所述联邦学习任务的任务配置信息，根据所述任务配置信息确定所述多个处理引擎的调用次序，根据该调用次序确定被调用的处理引擎，根据所述任务配置信息和该被调用的处理引擎的状态生成引擎配置信息，根据所述引擎配置信息对该被调用的处理引擎进行配置和调用从而完成所述联邦学习任务，其中，所述多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第一部分的处理子引擎和第二部分的处理子引擎组成，所述第一部分的处理子引擎的个数根据联邦学习通用业务场景预先设定，所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习任务关联的联邦学习子业务场景调整，所述联邦学习子业务场景是多种预设子业务场景中的一种预设子业务场景，所述多种预设子业务场景基于所述联邦学习通用业务场景。13.根据权利要求12所述的芯片，其特征在于，所述第二部分的处理子引擎的个数配置
为可根据与所述联邦学习任务关联的所述联邦学习子业务场景调整，包括：根据所述联邦学习子业务场景确定与所述联邦学习子业务场景相对应的资源需求，所述资源需求包括数据位宽需求和运算模式需求；和根据所述资源需求确定所述第二部分的处理子引擎的个数。14.根据权利要求13所述的芯片，其特征在于，所述第一部分的处理子引擎的个数根据所述联邦学习通用业务场景预先设定，包括：所述第一部分的处理子引擎的个数是出厂默认值和调整值的和，所述调整值根据所述联邦学习通用业务场景在预设范围内确定。15.根据权利要求12所述的芯片，其特征在于，所述任务配置信息包括所述联邦学习子业务场景，其中，根据所述任务配置信息确定所述多个处理引擎的调用次序，包括：根据所述联邦学习子业务场景确定所述多个处理引擎的调用次序。16.根据权利要求15所述的芯片，其特征在于，所述联邦学习子业务场景是银行子业务场景，根据所述银行子业务场景确定的所述多个处理引擎的调用次序包括依次调用所述密钥交换引擎、所述数据求交引擎、所述同态加密引擎、所述密态加法引擎、所述密态乘法引擎、所述矩阵加法引擎、所述矩阵乘法引擎和所述同态解密引擎。17.根据权利要求15所述的芯片，其特征在于，所述联邦学习子业务场景是医疗服务子业务场景，根据所述医疗服务子业务场景确定的所述多个处理引擎的调用次序包括依次调用所述密钥交换引擎、所述数据求交引擎、所述同态加密引擎、所述密态乘法引擎、所述密态加法引擎、所述矩阵乘法引擎、所述矩阵加法引擎、所述密态加法引擎、所述密态乘法引擎和同态解密引擎。18.一种联邦学习处理芯片，其特征在于，所述联邦学习处理芯片包括：多个处理引擎，其中，所述多个处理引擎彼此独立且与多种算子模式一一匹配，所述多个处理引擎的每一个处理引擎包括并行的至少一个处理子引擎，所述多个处理引擎的每个处理引擎被调用时通过各自的处理子引擎独立进行相匹配的算子模式的运算，所述多种算子模式根据联邦学习通用业务场景预先设定，其中，所述联邦学习处理芯片用于接收联邦学习任务，基于所述联邦学习任务生成所述联邦学习任务的任务配置信息，根据所述任务配置信息确定所述多种算子模式的运算次序，根据所述多种算子模式的运算次序确定相匹配的所述多个处理引擎的调用次序，根据该调用次序确定被调用的处理引擎，根据所述任务配置信息和该被调用的处理引擎的状态生成引擎配置信息，根据所述引擎配置信息对该被调用的处理引擎进行配置和调用从而完成所述联邦学习任务，其中，所述多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第一部分的处理子引擎和第二部分的处理子引擎组成，所述第一部分的处理子引擎的个数根据所述联邦学习通用业务场景预先设定，所述第二部分的处理子引擎的个数配置为可根据与所述联邦学习任务关联的联邦学习子业务场景调整，所述联邦学习子业务场景是多种预设子业务场景中的一种预设子业务场景，所述多种预设子业务场景基于所述联邦学习通用业务场景。19.根据权利要求18所述的联邦学习处理芯片，所述多种预设子业务场景包括以下至少之一：银行子业务场景、电商子业务场景、安防子业务场景、政务子业务场景、交通子业务场景、证券子业务场景、医疗服务子业务场景、制药子业务场景、航空子业务场景。
20.根据权利要求19所述的联邦学习处理芯片，所述多个处理引擎分别为密钥交换引擎、数据求交引擎、同态加密引擎、同态解密引擎、密态加法引擎、密态乘法引擎、矩阵加法引擎、矩阵乘法引擎以及密文累加引擎。21.根据权利要求20所述的联邦学习处理芯片，该被调用的处理引擎的状态包括该被调用的处理引擎所包括的处理子引擎中的空闲处理子引擎的个数，所述引擎配置信息包括该被调用的处理引擎的数据分配方式，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，包括：当所述空闲处理子引擎的个数大于或者等于待计算数据的个数时，按照特定次序分配所述待计算数据给该被调用的处理引擎所包括的处理子引擎，所述待计算数据的个数根据所述任务配置信息确定；和当所述空闲处理子引擎的个数小于所述待计算数据的个数时，重复进行：按照所述特定次序分配所述待计算数据给该被调用的处理引擎所包括的处理子引擎中的空闲处理子引擎直到所有空闲处理子引擎被分配。22.根据权利要求20所述的联邦学习处理芯片，该被调用的处理引擎的状态还包括该被调用的处理引擎的利用率，所述引擎配置信息包括该被调用的处理引擎的资源配置，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，还包括：根据所述任务配置信息和该被调用的处理引擎的利用率调整该被调用的处理引擎的资源配置。23.根据权利要求20所述的联邦学习处理芯片，该被调用的处理引擎的状态还包括该被调用的处理引擎的功耗，所述引擎配置信息包括该被调用的处理引擎的资源配置，其中，根据所述任务配置信息和该被调用的处理引擎的状态生成所述引擎配置信息，还包括：根据所述任务配置信息和该被调用的处理引擎的功耗调整该被调用的处理引擎的资源配置。24.根据权利要求18所述的联邦学习处理芯片，所述任务配置信息包括所述联邦学习子业务场景，其中，根据所述任务配置信息确定所述多种算子模式的运算次序，包括：根据所述联邦学习子业务场景确定所述多种算子模式的运算次序。25.根据权利要求18至24中任一项所述的联邦学习处理芯片，其特征在于，所述联邦学习处理芯片基于fpga实现。

技术总结
本申请涉及一种联邦学习专用处理器、联邦学习处理芯片及芯片。该处理器包括彼此独立的多个处理引擎，其每一个包括并行的至少一个处理子引擎且属于加密、解密、密文运算以及密钥管理的类别中的一个。该处理器用于生成联邦学习任务的任务配置信息，确定多个处理引擎的调用次序和被调用的处理引擎，根据任务配置信息和被调用的处理引擎的状态生成引擎配置信息，根据引擎配置信息完成联邦学习任务。多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第一部分和第二部分组成，第一部分的个数根据联邦学习通用业务场景预先设定，第二部分的个数可根据与联邦学习任务关联的联邦学习子业务场景调整。如此实现数据流驱动的引擎分配机制及优化设计。配机制及优化设计。配机制及优化设计。


技术研发人员：王玮
受保护的技术使用者：深圳致星科技有限公司
技术研发日：2021.12.08
技术公布日：2022/1/6