帶有PYNQ和Vitis HLS的SHA256加密加速器

描述

介紹

安全哈希算法 (SHA-256) 是一種加密哈希函數(shù)，用于保護密碼或網(wǎng)站服務器等安全性。它的一個著名用途是比特幣的工作量證明，它基于 SHA256 算法來驗證交易。

我想很多人會聽說 GPU 被用于挖礦，因為 GPU 更適合哈希算法所需的數(shù)字運算。但是，您知道嗎，可以使用 FPGA 完成定制化程度更高的加速？通過配置 FPGA 以在硬件中加速它，它的性能甚至會比 GPU 更高。事實上，比特幣礦工早在 2011 年就開始使用 FPGA 進行挖礦。

如今，挖比特幣的復雜性越來越高，F(xiàn)PGA 挖礦可能不再有利可圖。然而，我們可以將其作為一個有用的案例研究來了解如何使用 Xilinx FPGA 輕松完成加速。也許下次當我們看到另一個潛在的算法加速用例時，我們就會知道該怎么做。

?

開發(fā)流程總結(jié)

我們將使用 Xilinx Kria KV260 的硬件套件以及新發(fā)布的 Ubuntu 20.04 LTS 操作系統(tǒng)。我們將安裝 PYNQ，以便我們可以從 Python notebook 獲得硬件加速的好處。

在我們的 PC 上，我們將使用 Vitis HLS 將開源 C 代碼實現(xiàn)轉(zhuǎn)換為硬件 IP 模塊。之后，Vivado 用于創(chuàng)建與處理器的連接并生成比特流。

最后，我們將比特流傳輸?shù)?Xilinx Kria 并在 PYNQ 環(huán)境中對性能增益進行基準測試。

?

設置 SD 卡映像

首先我們需要為 Kria KV260 Vision AI Starter Kit 準備 SD 卡。

包裝盒中提供了一張 16GB 的 SD 卡，但我建議至少使用 32GB的，因為設置可能會超過 16GB 的空間。

我們將使用 Ubuntu 20.04.3 LTS 下載。從網(wǎng)站下載圖像并將其保存在您的計算機上。

?

在您的 PC 上，下載 Balena Etcher 以將其寫入您的 SD 卡。

?

完成后，您的 SD 卡已準備就緒，您可以將其插入 Kria 以設置 Xilinx Ubuntu！將 USB 鍵盤、USB 鼠標、HDMI/DisplayPort 和以太網(wǎng)連接到 Kria。

?

連接電源打開 Kria，您將看到 Ubuntu 登錄屏幕。

默認登錄憑據(jù)是用戶名：ubuntu密碼：ubuntu

啟動時，界面可能會非常慢，所以我運行了這些命令來禁用動畫調(diào)整以加快速度。

gsettings set org.gnome.desktop.interface enable-animations false
gsettings set org.gnome.shell.extensions.dash-to-dock animate-show-apps false

接下來，通過執(zhí)行系統(tǒng)更新并調(diào)用此命令將系統(tǒng)更新到最新版本

sudo apt upgrade

安裝用于系統(tǒng)管理的 xlnx-config snap 并對其進行配置（有關 Xilinx wiki 的更多信息）：

sudo snap install xlnx-config --classic
xlnx-config.sysinit

現(xiàn)在檢查設備配置是否工作正常。

sudo xlnx-config --xmutil boardid -b som

安裝最新的Kria-PYNQ 包。這最多需要 30 分鐘。

git clone https://github.com/Xilinx/Kria-PYNQ.git
cd Kria-PYNQ/
sudo bash install.sh

?

安裝后，您可以在網(wǎng)絡瀏覽器中轉(zhuǎn)到“ kria:9090 ”以查看 Jupyter 筆記本。默認密碼為xilinx 。

?

Kria 系統(tǒng)已準備就緒。現(xiàn)在讓我們回到我們的 PC 來創(chuàng)建 PYNQ 覆蓋比特流。

Vitis HLS 中的加速器 IP

使用 Vitis HLS，我們可以將許多現(xiàn)有的 C/C++ 代碼轉(zhuǎn)換為硬件 IP 模塊。我將在不做任何修改的情況下調(diào)整此 SHA256 C 代碼實現(xiàn)。

• https://github.com/B-Con/crypto-algorithms/blob/master/sha256.c

啟動 Vitis HLS 并創(chuàng)建一個新項目。

?

在下一頁上，選擇目標設備。對于 Kria KV260 Vision AI 入門套件，它使用的是零件：xck26-sfvc784-2lv-c。

?

進入工作區(qū)后，創(chuàng)建一個源文件。選擇該文件作為項目綜合設置中的頂級函數(shù)。

?

在代碼中，我創(chuàng)建了一個名為hash(). 它基本上只調(diào)用 SHA256 散列函數(shù)。

?

現(xiàn)在請注意，此功能是在可編程邏輯 (PL) 中實現(xiàn)的。這意味著 的參數(shù)hash()實際上是需要傳輸?shù)教幚硐到y(tǒng) (PS) 或從處理系統(tǒng) (PS) 傳輸?shù)妮斎牒洼敵觥?/font>因此，需要選擇合適的通信接口。

對于 和 之類的小變量text_length，result我選擇了s_axilitewhich 是適合小變量的串行協(xié)議。以后從 PYNQ 訪問它也相對容易。

對于像 的大型緩沖區(qū)text_input[1024]，我選擇m_axi了并行協(xié)議。它占用了更多的邏輯和互連，但這是必要的，以便傳輸數(shù)據(jù)足夠快。

有關更多信息，代碼在本項目末尾提供。

在 Flow Navigator 下啟動 C 綜合。

?

綜合后，您可以驗證我們稍后將在 PYNQ 中訪問的參數(shù)。

?

最后，選擇 Export RTL 并選擇要將其保存到的位置。它將輸出一個 zip 文件，其中包含要在 Vivado 中導入的 IP 模塊。

生成后，您還可以在控制臺中看到它生成的位置。

?

Vivado 中的框圖綜合

打開 Vivado 并創(chuàng)建一個新項目

?

選擇 Kria KV260 Vision AI 入門套件。繼續(xù)使用所有默認值，直到到達項目工作區(qū)。

?

在我們做任何其他事情之前，我們需要添加我們之前創(chuàng)建的 IP。

轉(zhuǎn)到Project Manager > Settings > IP > Repository ，然后添加包含 zip 文件的文件夾。

?

在 IP Integrator 下，選擇 Create Block Diagram。添加以下塊：

• Zynq UltraScale+ MPSoc（這是 PS）
• 哈希（我們從 Vitis HLS 生成的 IP）
• AXI 互連（從我們的 IP 互連到m_axi總線）

?

之后，運行連接自動化。選擇所有可能的自動化并接受默認設置。

?

請注意，m_axi（Master）的互連總線仍未連接。這是因為我忘記在PS上啟用Slave接口。

?

雙擊 Zynq UltraScale+ MPSoc 塊。啟用 AXI HP0 FPD （高性能）。檢查數(shù)據(jù)寬度是否為 32 位，這與 HLS 中合成的內(nèi)容相匹配。

?

再次運行連接自動化。這是最終的框圖。

?

在 Sources 下，右鍵單擊設計并選擇 Create HDL Wrapper。它會自動包裝設計，以便您為綜合做好準備。

?

?

生成比特流。完成綜合和實施可能需要長達一個小時的時間。

?

最后，為了獲得 PYNQ 覆蓋，我們必須檢索 2 個文件：.bit文件和.hwh文件。

可以在以下位置找到比特流文件：*.runs/impl_1/design_1_wrapper.bit

?

硬件切換文件可在以下位置找到：*.gen/sources_1/bd/design_1/hw_handoff/design_1.hwh

?

將這些文件復制到 Kria。

PYNQ 中的接口

我復制了 2 個文件并將其重命名為sha256accelerator.bitand sha256accelerator.hwh。請注意，兩個文件必須具有相同的名稱才能正確用作 PYNQ 覆蓋。

我將解釋我的代碼的一些片段。您可以在下面找到完整的代碼。

創(chuàng)建一個新的 Jupyter notebook，我們可以在其中編程比特流。

?

在這里，我定義了硬件功能，即將輸入數(shù)據(jù)寫入緩沖區(qū)并啟動該過程。完成后，該函數(shù)將返回。我還定義了一個稱為內(nèi)置庫的軟件功能。

?

運行一些測試，我們可以比較兩個函數(shù)的輸入，以驗證一切都在硬件上正確實現(xiàn)。

?

基準性能

運行一些基準測試，我們發(fā)現(xiàn)硬件實現(xiàn)比在軟件上運行快約 14 倍。

?

結(jié)論

總而言之，使用 Vitis HLS 無需任何修改即可輕松加速 C 函數(shù)。盡管需要對硬件協(xié)議及其變體有一定的了解和了解，但軟件過程相對簡單。

從這里，我們了解過去如何使用 FPGA 來加速這些重復性計算，例如區(qū)塊鏈挖掘。通過直接針對算法，硬件更具體，因此性能更高。