FPGA挖矿机是什么，挖矿机挖的是什么

FPGA矿机，既使用FPGA芯片作为算力核心的矿机。FPGA矿机是早期矿机之一，首次出现在2011年末，在当时一度被看好，但活跃期并不长，后逐渐被ASIC矿机与GPU矿机取代。

要认清FPGA矿机，就得先解释一下FPGA是什么。FPGA(Field-Programmable Gate Array)，中文名叫现场可编程门阵列。比较通俗的理解是，FPGA就是把一大堆逻辑器件(比如与门、非门、或门、选择器)封装在一个盒子里，盒子里的逻辑元件如何连接，全部由使用者(编写程序)来决定。这就好比我们买了一套乐高玩具，怎么拼就看熊孩子了。

这样就好理解了，根据需要写入不同的程序，FPGA就可以实现任意的功能，而挖矿自然也不在话下。而且由于FPGA灵活度高，所以不只是可以支持比特币的SHA256算法，也可以支持GPU矿机擅长的Scrypt算法。

FPGA矿机活跃的时期，相比同时代的CPU、GPU矿机，FPGA虽然算力性能不占优，但功耗要低很多，综合功耗比很高。

但是，随着ASIC矿机的出现，FPGA矿机逐渐淡出人们的视线。因为ASIC是为专一功能打造，算力与功耗相较FPGA更具优势，而且开发难度要比FPGA低很多，所以现在基本已经看不到FPGA矿机，取而代之的是ASIC矿机与GPU矿机。

当然，FPGA矿机并没有死掉，现在依然有团队在研发新的FPGA矿机，或许有一天会重新成为主流。

什么类型的矿机为挖币专门定制淘汰后几乎毫无价值

ASIC矿机ASIC矿机是指使用ASIC芯片作为核心运算零件的矿机。ASIC芯片是一种专门为某种特定用途设计的芯片，必须说明的是它并不只用于挖矿，还有更广泛的应用领域。这种芯片的特点是简单而高效，例如比特币采用SHA256算法，那么比特币ASIC矿机芯片就被设计为仅能计算SHA256，所以就挖矿而言，ASIC矿机芯片的性能超过当前顶级的电脑CPU。因为ASIC矿机在算力上有绝对的优势，所以轿销电脑、显卡矿机开始逐渐被淘汰。GPU矿机GPU矿机，简单的解释就是通过显卡（GPU）挖矿的数字货币挖矿机。在比特币之后，陆续出现了一些其他数字资产，比如以太坊、达世币、莱特币等等，其中一些币所用的算法与比特币并不相同，为了达到更高的挖矿效率，矿工们做了不同的测试，最后发现SHA256算法的数字货币使用ASIC挖矿效率最高。而Scrypt 等其他算法的数字货币用GPU显卡挖矿效率最高，于是催生出了专门的GPU矿机。IPFS矿机IPFS类似于http，是一种文件传输协议。IPFS要想运行，需要网络中有许许多多的计算机（存储设备）作为节点，广义的说所有参与的计算机，都可以称作IPFS矿机。而IPFS网络为了吸引更多的用户加入成为节点，为网络做贡献，设计了一种名叫filecoin的加密货币，根据贡献存储空间与带宽的多少，派发给参与者（节点）作为奖励。狭义的说，专门以获取filecoin奖励为目的而设计的计算机，称为IPFS矿机。由于IPFS网络需要的是存储空间以及网络带宽，所以为了获得最高的收益比，IPFS矿机通常会强化存储空间、降低整机功耗等方面。比如装备10块以上大容量硬盘，配备千兆或更高速度的网卡，使用超低功耗的架构处理器等等。FPGA矿机FPGA矿机，既使用FPGA芯袭猜片作为算力核心的矿机。FPGA矿机是早期矿机之一，首次出现在2011年末，在当时一度被看好，但活跃期并不长，后逐渐被ASIC矿机与GPU矿机取代。FPGA（Field-Programmable Gate Array），中文名叫现场可编程门阵列。比较通俗的理解是，FPGA就是把一大堆逻辑器件（比如与门、非门、或门、选择器）封装在一个盒子里，盒子里的逻辑元件如何连接，全部由使闭禅游用者（编写程序）来决定。 如果FPGA里面写的是挖矿程序，那么造出来的就是FPGA矿机，而且由于FPGA灵活度高，所以不只是可以支持比特币的SHA256算法，也可以支持GPU矿机擅长的Scrypt算法。FPGA矿机活跃的时期，相比同时代的CPU、GPU矿机，FPGA虽然算力性能不占优，但功耗要低很多，综合功耗比很高。

为什么使用 fpga，相比 cpu，gpu，asic有什么特点

对比传统CPU、GPU、ASIC芯片，FPGA具有高性能、低消耗和灵活性等特点，具有广察凯泛的应用携没世市场。与CPU/GPU相比，单位功耗性能和计算耗时均成量级提升，同时可实现出色的I/0集成。1． FPGA、CPU、辩肢GUP对计算密集型和通信密集型任务耗时的比较2． CPU、GPU、FPGA不同线程下处理速度的综合对比3. 与ASIC定制芯片相比，主要优势为“可重构”Ÿ FPGA和ASIC芯片上都有大量的逻辑单元，能够实现复杂的、高吞吐量的金融模型计算。Ÿ ASIC的逻辑功能无法做二次更改，其成本随工艺的提升指数增长。FPGA的逻辑块和连接可以多次编辑，完成不同的逻辑功能，灵活的实现功能扩展和升级，极大减少了开发成本。ASIC芯片设计成本随着制程提升呈指数级上升

FPGA, CPU, GPU, ASIC区别，FPGA为何这么牛（二）

姓名：任佩怡      学号：19020100348      学院：电子工程学院 转自：https://blog.csdn.net/qq_18597483/article/details/106649227?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162849450116780357280058%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162849450116780357280058&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-29-106649227.first_rank_v2_pc_rank_v29&utm_term=FPGA&spm=1018.2226.3001.4187 【嵌牛导读】对于专业人士来说，FPGA并不陌生，它一直都被广泛搜丛拦使用。但是，大部分人还不是太了解它，对它有很多疑问——FPGA到底是什么？为什么要使用它？相比CPU、GPU、ASIC（专用芯片），FPGA有什么特点？…… 【嵌牛鼻子】FPGA, CPU, GPU, ASIC 【嵌牛提问】FPGA, CPU, GPU, ASIC的区别及FPGA的过人之处 【嵌牛正文】 二、微软部署 FPGA 的实践 2016 年 9 月，《连线》（Wired）杂志发表了一篇《微软把未来押注在 FPGA 上》的报道 [3]，讲述了 Catapult 项目的前世今生。 紧接着，Catapult 项目的老大 Doug Burger 在 Ignite 2016 大会上与微软 CEO Satya Nadella 一起做了 FPGA 加速机器翻译的演示。 演示的总计算能力是 103 万 T ops，也就是 1.03 Exa-op，相当于 10 万块顶级 GPU 计算卡。一块 FPGA（加上板上内存和网络接口等）的功耗大约是 30 W，仅增加了整个服务器功耗的十分之一。 Ignite 2016 上的演示：每秒 1 Exa-op (10^18) 的机器翻译运算能力 微软部署 FPGA 并不是一帆风顺的。 对于把 FPGA 部署在哪里这个问题，大致经历了三个阶段： 专用的 FPGA 集群，里面插满了 FPGA 每台机器一块 FPGA，采用专用网络连接 每台机器一块 FPGA，放在网卡和交换机之间，共享服务器网络 第一个阶段是专用集群，里面插满了 FPGA 加速卡，就像是一个 FPGA 组成的超级计算机。 在半导体行业，只要批量足够大，芯片的价格都将趋向于沙子的价格。 当然现在数据中心领域用两家公司 FPGA 的都有。 只要规模足够大，对 FPGA 价格过高的担心将是不必要的。 像超级计算机一样的部署方式，意味着有专门的一个机柜全是上图这种装了 24 块 FPGA 的服务器（下图左）。 这种方式有几个问题： 不同机器的 FPGA 之间无法通信，FPGA 所能处理问题的规模受限于单台服务器上 FPGA 的数量； 数据中心里的其他机器要把任务集中发到这个机柜，构成了 in-cast，网络延迟很难做到稳定。 FPGA 专用机柜构成了单点故障，只要它一坏，谁都别想加速了； 装 FPGA 的服务器是定制的，冷却、运维都增加了麻烦。一种不那么激进的方式是，在每个机柜一面部署一台装满 FPGA 的服务器（上图中）。这避免了上述问题 (2)(3)，但 (1)(4) 仍世胡然没有解决。 第二个阶段，为了 保证数据中心中服务器的同构性 （这也是不用 ASIC 的一个重要原因），在每台服务器上插一块 FPGA（上图右），FPGA 之间通过专郑亮用网络连接。这也是微软在 ISCA'14 上所发表论文采用的部署方式。红框是放 FPGA 的位置。FPGA 采用 Stratix V D5，有 172K 个 ALM，2014 个 M20K 片上内存，1590 个 DSP。板上有一个 8GB DDR3-1333 内存，一个 PCIe Gen3 x8 接口，两个 10 Gbps 网络接口。一个机柜之间的 FPGA 采用专用网络连接，一组 10G 网口 8 个一组连成环，另一组 10G 网口 6 个一组连成环，不使用交换机。这样一个 1632 台服务器、1632 块 FPGA 的集群，把 Bing 的搜索结果排序整体性能提高到了 2 倍（换言之，节省了一半的服务器）。 如下图所示，每 8 块 FPGA 穿成一条链，中间用前面提到的 10 Gbps 专用网线来通信。这 8 块 FPGA 各司其职，有的负责从文档中提取特征（黄色），有的负责计算特征表达式（绿色），有的负责计算文档的得分（红色）。FPGA 在 Bing 的部署取得了成功，Catapult 项目继续在公司内扩张。 微软内部拥有最多服务器的，就是云计算 Azure 部门了。 Azure 部门急需解决的问题是网络和存储虚拟化带来的开销。Azure 把虚拟机卖给客户，需要给虚拟机的网络提供防火墙、负载均衡、隧道、NAT 等网络功能。由于云存储的物理存储跟计算节点是分离的，需要把数据从存储节点通过网络搬运过来，还要进行压缩和加密。 在 1 Gbps 网络和机械硬盘的时代，网络和存储虚拟化的 CPU 开销不值一提。随着网络和存储速度越来越快，网络上了 40 Gbps，一块 SSD 的吞吐量也能到 1 GB/s，CPU 渐渐变得力不从心了。 例如 Hyper-V 虚拟交换机只能处理 25 Gbps 左右的流量，不能达到 40 Gbps 线速，当数据包较小时性能更差；AES-256 加密和 SHA-1 签名，每个 CPU 核只能处理 100 MB/s，只是一块 SSD 吞吐量的十分之一。 为了加速网络功能和存储虚拟化，微软把 FPGA 部署在网卡和交换机之间 。 如下图所示，每个 FPGA 有一个 4 GB DDR3-1333 DRAM，通过两个 PCIe Gen3 x8 接口连接到一个 CPU socket（物理上是 PCIe Gen3 x16 接口，因为 FPGA 没有 x16 的硬核，逻辑上当成两个 x8 的用）。物理网卡（NIC）就是普通的 40 Gbps 网卡，仅用于宿主机与网络之间的通信。FPGA（SmartNIC）对每个虚拟机虚拟出一块网卡，虚拟机通过 SR-IOV 直接访问这块虚拟网卡。原本在虚拟交换机里面的数据平面功能被移到了 FPGA 里面，虚拟机收发网络数据包均不需要 CPU 参与，也不需要经过物理网卡（NIC）。这样不仅节约了可用于出售的 CPU 资源，还 提高了虚拟机的网络性能（25 Gbps），把同数据中心虚拟机之间的网络延迟降低了 10 倍。 这就是微软部署 FPGA 的第三代架构，也是目前「每台服务器一块 FPGA」大规模部署所采用的架构。 FPGA 复用主机网络的初心是加速网络和存储，更深远的影响则是把 FPGA 之间的网络连接扩展到了整个数据中心的规模 ，做成真正 cloud-scale 的「超级计算机」。 第二代架构里面，FPGA 之间的网络连接局限于同一个机架以内，FPGA 之间专网互联的方式很难扩大规模，通过 CPU 来转发则开销太高。 第三代架构中，FPGA 之间通过 LTL (Lightweight Transport Layer) 通信。同一机架内延迟在 3 微秒以内；8 微秒以内可达 1000 块 FPGA；20 微秒可达同一数据中心的所有 FPGA。第二代架构尽管 8 台机器以内的延迟更低，但只能通过网络访问 48 块 FPGA。为了支持大范围的 FPGA 间通信，第三代架构中的 LTL 还支持 PFC 流控协议和 DCQCN 拥塞控制协议。通过高带宽、低延迟的网络互联的 FPGA 构成了介于网络交换层和传统服务器软件之间的数据中心加速平面。 除了每台提供云服务的服务器都需要的网络和存储虚拟化加速，FPGA 上的剩余资源还可以用来加速 Bing 搜索、深度神经网络（DNN）等计算任务。 对很多类型的应用，随着分布式 FPGA 加速器的规模扩大，其性能提升是超线性的。 例如 CNN inference，当只用一块 FPGA 的时候，由于片上内存不足以放下整个模型，需要不断访问 DRAM 中的模型权重，性能瓶颈在 DRAM；如果 FPGA 的数量足够多，每块 FPGA 负责模型中的一层或者一层中的若干个特征，使得模型权重完全载入片上内存，就消除了 DRAM 的性能瓶颈，完全发挥出 FPGA 计算单元的性能。 当然，拆得过细也会导致通信开销的增加。 把任务拆分到分布式 FPGA 集群的关键在于平衡计算和通信。 在 MICRO'16 会议上，微软提出了 Hardware as a Service (HaaS) 的概念，即把硬件作为一种可调度的云服务，使得 FPGA 服务的集中调度、管理和大规模部署成为可能。从第一代装满 FPGA 的专用服务器集群，到第二代通过专网连接的 FPGA 加速卡集群，到目前复用数据中心网络的大规模 FPGA 云，三个思想指导我们的路线： 硬件和软件不是相互取代的关系，而是合作的关系； 必须具备灵活性，即用软件定义的能力； 必须具备可扩放性（scalability）。