第3章：实时调音——同步与异步RTP

你有没有试过在音乐会现场听交响乐？

想象一下：你是指挥，乐团正在演奏一首流畅的曲子。如果你想调整某个乐手的音量，或者让小提琴组换一个音符，你需要让整个乐团停下来，重新发谱，再开始演奏吗？

当然不！你会用手势、眼神或者指挥棒上的小动作，在音乐不停顿的情况下直接调整——这就是**RTP（Runtime Parameter，运行时参数）**在AIE-ML世界里的作用。

在第1章里，我们学会了如何让数据在PS、PL和AIE之间流动；第2章里，我们学会了如何用包交换管理"数据高速公路"。现在，我们要学会在不踩刹车的情况下，调整这辆"数据跑车"的参数。

3.1 什么是RTP？把它想象成指挥的手势

RTP（Runtime Parameter，运行时参数） 是一种允许主机（ARM处理器）在AIE图运行期间动态修改参数的机制——不需要停止AIE，也不需要重新编译整个设计。

你可以把它想象成：

• 游戏直播时的实时弹幕互动（观众不用退出直播间就能调整主播的玩法）
• 智能手机的音量键（不用重启手机就能调整音量）
• 汽车的方向盘（不用停车就能调整方向）

传统静态配置的痛点

在没有RTP的时代，AIE内核的参数就像工厂流水线的固定模具——一旦装好，就改不了。如果你想调整滤波器的系数，或者改变FFT的大小，你必须：

1. 停止整个系统
2. 修改代码
3. 重新编译
4. 重新加载
5. 重启系统

这个过程可能需要几分钟甚至更长时间——对于实时信号处理、自适应滤波或者多模式系统来说，这是不可接受的。

RTP的魔法

有了RTP，一切都变得不一样了。看下面这张对比图：

3.2 RTP的两种口味：同步 vs 异步

RTP有两种主要的使用模式，就像点咖啡的两种方式：

• 同步RTP：你在咖啡店柜台前排队，点咖啡，等咖啡做好，拿到咖啡才离开。
• 异步RTP：你用手机APP点咖啡，付款后去逛商店，等咖啡做好了APP通知你再去取。

核心概念对比表

3.3 同步RTP：确保参数立即生效

同步RTP是最简单的RTP模式——主机发送参数更新请求，然后阻塞等待，直到AIE确认收到并应用了新参数。

你可以把它想象成快递员送贵重物品：必须亲手交到你手上，看着你签收，才会离开。

同步RTP的工作流程

什么时候用同步RTP？

• 安全关键系统：比如医疗设备，参数必须立即生效，不能有延迟
• 精确时序控制：参数需要在特定的数据帧之前生效
• 简单应用：不需要最高性能，编程简单性更重要

3.4 异步RTP：性能优先的选择

异步RTP是高性能应用的首选——主机发送参数更新请求后立即返回，继续执行其他工作，不会阻塞等待。

你可以把它想象成发微信：你发完消息就去做别的事，不用盯着屏幕等对方回复。

异步RTP的工作流程

什么时候用异步RTP？

• 高吞吐量系统：比如实时视频处理，不能容忍主机阻塞
• 可容忍短暂延迟：参数可以在下一帧或下一迭代生效，不需要立即
• 主机有其他工作：主机可以在等待RTP更新的同时准备数据或做其他计算

3.5 数组RTP：批量更新多个参数

有时候你需要更新的不只是一个标量参数——比如一个自适应滤波器的几十个系数，或者一个查找表。这时候，数组RTP就派上用场了。

你可以把它想象成搬家：用卡车一次性把所有家具运过去，而不是一件一件单独运。

数组RTP的架构

数组RTP的关键优势

1. 原子性：整个数组的更新是原子的——AIE内核不会看到一半新系数一半旧系数的情况
2. 高效性：批量传输比多次单独传输效率高很多
3. 灵活性：可以更新任意大小的数组（受限于AIE的内存和寄存器资源）

3.6 动手实践：一个简单的自适应滤波器示例

让我们通过一个简单的自适应滤波器示例，看看RTP是如何工作的。

系统架构

关键代码片段

1. AIE内核代码（使用RTP）

// aie/kernels/filter.cpp
#include <adf.h>

void filter_kernel(
    input_stream<int32>* in,
    output_stream<int32>* out,
    adf::rtp<int32> gain,          // 标量RTP：增益
    adf::rtp_array<int32, 8> coeffs // 数组RTP：8个滤波器系数
) {
    int32 g = gain.read();
    int32 c[8];
    coeffs.read(c); // 原子读取整个数组
    
    for (int i = 0; i < 64; i++) {
        int32 x = readincr(in);
        int32 y = 0;
        
        // 简单的卷积计算（示例）
        for (int j = 0; j < 8; j++) {
            y += x * c[j]; // 实际应用中会有延迟线
        }
        
        writeincr(out, y * g);
    }
}

2. 主机代码（同步RTP更新）

// host/main_sync.cpp
#include <xrt/xrt_device.h>
#include <xrt/xrt_graph.h>

int main() {
    // 1. 加载xclbin和图
    auto device = xrt::device(0);
    auto uuid = device.load_xclbin("filter.xclbin");
    auto graph = xrt::graph(device, uuid, "filter_graph");
    
    // 2. 启动图
    graph.run();
    
    // 3. 初始处理
    // ... (发送初始数据) ...
    
    // 4. 同步更新增益参数
    int32 new_gain = 2;
    std::cout << "同步更新增益为: " << new_gain << std::endl;
    graph.update_rtp("filter_kernel.gain", new_gain); // 阻塞等待
    
    // 5. 继续处理（现在使用新增益）
    // ... (发送更多数据) ...
    
    // 6. 停止图
    graph.end();
    
    return 0;
}

3. 主机代码（异步RTP更新）

// host/main_async.cpp
#include <xrt/xrt_device.h>
#include <xrt/xrt_graph.h>

int main() {
    // 1. 加载xclbin和图
    auto device = xrt::device(0);
    auto uuid = device.load_xclbin("filter.xclbin");
    auto graph = xrt::graph(device, uuid, "filter_graph");
    
    // 2. 启动图
    graph.run();
    
    // 3. 初始处理
    // ... (发送初始数据) ...
    
    // 4. 异步更新滤波器系数数组
    int32 new_coeffs[8] = {1, 2, 3, 4, 5, 6, 7, 8};
    std::cout << "异步更新滤波器系数..." << std::endl;
    auto handle = graph.async_update_rtp("filter_kernel.coeffs", new_coeffs, 8); // 立即返回
    
    // 5. 同时做其他工作（比如准备下一帧数据）
    std::cout << "主机继续准备数据..." << std::endl;
    // ... (准备数据) ...
    
    // 6. (可选) 等待RTP更新完成
    handle.wait();
    std::cout << "RTP更新完成！" << std::endl;
    
    // 7. 继续处理
    // ... (发送更多数据) ...
    
    // 8. 停止图
    graph.end();
    
    return 0;
}

3.7 最佳实践与常见陷阱

最佳实践

1. 选择合适的RTP模式：

   • 不需要最高性能，想要简单 → 同步RTP
   • 需要最高性能，可容忍短暂延迟 → 异步RTP
   • 需要更新多个相关参数 → 数组RTP

2. 批量更新：

   • 尽量使用数组RTP批量更新相关参数，而不是多次单独更新
   • 这可以减少通信开销，并保证参数的原子性

3. 显式同步：

   • 使用异步RTP时，在关键节点（比如处理一帧新数据前）显式调用wait()
   • 这可以确保参数在需要时已经更新完成

常见陷阱

1. 竞态条件：

   • 症状：AIE内核有时使用新参数，有时使用旧参数，行为不一致
   • 原因：异步RTP更新与数据流处理之间的时序不匹配
   • 解决：在关键节点显式同步，或者使用同步RTP

2. 数组大小不匹配：

   • 症状：系统崩溃或数据错位
   • 原因：主机发送的数组大小与AIE内核声明的数组大小不一致
   • 解决：仔细检查数组大小，使用常量定义大小

3. 过度使用RTP：

   • 症状：系统性能下降，RTP成为瓶颈
   • 原因：更新频率太高（比如每微秒一次）
   • 解决：批量更新，或者考虑使用数据流通道传输高频变化的参数

3.8 总结

在这一章里，我们学习了：

1. 什么是RTP：运行时参数，允许在不停止AIE的情况下动态调整参数
2. 同步RTP：阻塞等待确认，确保参数立即生效
3. 异步RTP：非阻塞发送，性能优先
4. 数组RTP：批量更新多个相关参数，保证原子性
5. 最佳实践与常见陷阱：如何选择合适的模式，避免常见错误

现在，你已经掌握了在不踩刹车的情况下调整"数据跑车"参数的技能！下一章，我们将学习如何防止"数据高速公路"上的交通堵塞——流FIFO和死锁避免。

练习与思考：

1. 你正在开发一个实时自适应滤波器系统，需要根据输入信号特性每10毫秒更新一次滤波器系数。你会选择哪种RTP模式？为什么？
2. 如果你需要更新128个滤波器系数，你会使用标量RTP逐个更新，还是使用数组RTP批量更新？为什么？
3. 异步RTP一定比同步RTP好吗？什么情况下同步RTP是更好的选择？