FTHOE：基于哈密顿路径与奇偶转向的晶圆级NoC容错路由算法

1. 项目概述：当晶圆级互连网络遭遇“硬伤”

在芯片设计的微观世界里，数据包就像城市中的车辆，而片上网络（Network-on-Chip, NoC）就是它们赖以通行的道路网。路由算法，则是这套道路网的“交通规则”，它决定了数据包从起点到终点的行进路径。一条好的规则，能让车流顺畅、避免拥堵；一个高效的路由算法，则能显著降低通信延迟、提升系统吞吐量。然而，当我们将目光从传统的单芯片扩展到整个晶圆（Wafer-Scale）时，问题变得复杂了。想象一下，将一座城市的交通网瞬间放大到一个省份的规模，道路（互连链路）和十字路口（路由节点）的数量呈指数级增长。更棘手的是，在晶圆级制造过程中，由于工艺偏差和缺陷，某些“路段”和“路口”从诞生之初就可能存在“硬伤”——即永久性的节点或链路故障。

传统的NoC容错路由算法，在面对这种大规模、高故障密度的场景时，往往捉襟见肘。它们要么依赖虚拟通道（Virtual Channel, VC）来打破资源依赖环，但这会带来显著的硬件开销和复杂度，在晶圆级系统成千上万的节点中难以承受；要么采用严格的转向限制来保证无死锁，但这会严重牺牲路径的多样性，导致流量容易在少数可用路径上聚集，形成新的性能瓶颈。如何在保证无死锁、避免硬件复杂度的前提下，尽可能维持路径选择的灵活性，成为晶圆级互连网络设计的一个核心挑战。

FTHOE（Fault-Tolerant routing algorithm based on Hamiltonian paths and the Odd-Even turn model）算法，正是针对这一挑战提出的解决方案。它的核心思路很巧妙：在经典的、无虚拟通道的奇偶转向模型（Odd-Even Turn Model）和哈密顿路径（Hamiltonian Path）编号策略构成的“交通基本法”之上，引入一个基于本地故障信息的“动态交通指挥”机制。每个路由节点不再需要知晓全局的故障地图，只需关注其东、南、西、北四个直接邻居的健康状态（一个4位的本地故障向量）。当数据包抵达时，算法会根据其目的地方向（如东北、西南等）和当前节点的行奇偶性，从预设的合法转向集合中，动态调整输出端口的优先级顺序，优先选择那些通往健康邻居的端口。如果所有最短路径方向都被故障阻塞，它才启动预设的、受控的绕行策略。

这种设计带来的好处是双重的。其一，它最大限度地保留了在无故障情况下奇偶转向模型所提供的丰富的最短路径选择，这意味着在网络大部分区域健康时，流量可以均匀分散。其二，当遭遇故障时，它能基于最及时的本地信息，智能地避开故障区域，而不是僵化地遵循固定路径或进行长距离的盲目绕行，从而有效降低了数据包在故障邻域“打转”或被阻塞的概率。我们的仿真结果表明，与现有的同类算法相比，FTHOE在平均网络延迟和饱和吞吐量上均有显著提升，尤其在混合故障（节点与链路故障并存）的复杂场景下，其负载均衡能力表现更为稳健。

提示：理解FTHOE的关键在于把握其“分层”设计思想。底层是保证无死锁的、确定性的奇偶转向规则和哈密顿路径编号，这提供了基本的安全框架；上层是基于本地状态的动态优先级调整，这提供了应对故障的灵活性和性能优化。两者结合，实现了可靠性与效率的平衡。

2. 核心原理深度拆解：哈密顿路径与奇偶转向的共舞

要理解FTHOE，必须深入其两大基石：哈密顿路径编号策略与奇偶转向模型。它们共同构成了算法无死锁、高适应性的基础骨架。

2.1 哈密顿路径：为网络赋予全局秩序

在一个二维网格网络（m×n）中，每个路由器节点可以用笛卡尔坐标 (x, y) 唯一标识。哈密顿路径策略的核心，是为网络中所有节点赋予一个全局的、连续的、不重复的编号，使得数据包可以沿着编号单调递增或递减的方向进行路由，从而从根本上消除循环依赖的可能性。

FTHOE采用了一种“蛇形”编号方案。具体规则如下：

• 在偶数行（y坐标为偶数），节点从左到右编号递增。
• 在奇数行（y坐标为奇数），节点从右到左编号递增。

用公式表达，节点 (x_i, y_i) 的编号 L 为：L(x_i, y_i) = y_i * n + x_i（当 y_i 为偶数时）L(x_i, y_i) = y_i * n + (n - x_i - 1)（当 y_i 为奇数时）

以一个8x8网络为例，编号从(0,0)的0开始，到(0,1)的8，再到(7,1)的15，以此类推，最终在(7,7)结束。这条贯穿所有节点的路径就是一条哈密顿路径。

基于此编号，网络被逻辑上划分为两个独立的子网络：

• 高通道（HH）子网络：数据包严格沿着节点编号递增的方向传输。
• 低通道（HL）子网络：数据包严格沿着节点编号递减的方向传输。

这种设计的美妙之处在于，在任何子网络内部，数据包的前进方向都是严格单调的（要么一直增，要么一直减）。这就好比在一条单行道上行驶，永远不可能掉头形成环路，从而天然地避免了死锁。同时，它为路由决策提供了一个清晰的全局参考系：要到达编号更大的目的地，就使用HH子网络；反之则使用HL子网络。

2.2 奇偶转向模型：在灵活性中嵌入规则

哈密顿路径解决了方向性问题，但数据包在网格中行进时，可以在东(E)、西(W)、南(S)、北(N)四个方向间进行“转向”。不加限制的转向可能形成通道依赖环（Channel Dependency Cycle），即一组数据包互相等待对方释放资源，从而导致死锁。

奇偶转向模型（Odd-Even Turn Model）是一种经典的无虚拟通道死锁避免方法。它通过禁止网格中特定位置（由行号奇偶性决定）的特定转向，来打破所有可能的循环依赖。FTHOE采用的HOE（Hamiltonian Odd-Even）模型规则如下：

• 在偶数行，禁止东向南（E->S）和北向西（N->W）的转向。
• 在奇数行，禁止北向东（N->E）和西向南（W->S）的转向。

此外，所有180度的“U型转弯”都被禁止。

为什么禁止这些转向就能避免死锁？我们可以直观理解：在网格中形成一个顺时针循环需要同时包含NE（北向东）和ES（东向南）转向。HOE规则确保了NE和ES转向不会在同一行出现（NE在奇数行被禁，ES在偶数行被禁），因此顺时针循环无法闭合。同理，逆时针循环所需的NW和WS转向也无法在同一行共存。这就好比在城市的十字路口，通过禁止某些方向的左转或右转，来防止车辆在一个区域不断绕圈。

HOE模型的优势在于，它在禁止最少转向（仅4种）的前提下，实现了无死锁，并保留了尽可能多的合法最短路径。我们可以用“适应度”（Degree of Adaptiveness, DoA）来衡量。对于源节点S(x_s, y_s)和目的节点D(x_d, y_d)，设水平跳数Δx = |x_d - x_s|，垂直跳数Δy = |y_d - y_s|。在完全自适应的最短路径路由中，理论上的最大路径数为组合数(Δx+Δy)! / (Δx! * Δy!)。HOE模型在无故障情况下，能为大多数通信状态提供接近此上限的路径选择，这为负载均衡奠定了坚实基础。

2.3 故障模型与本地感知：应对现实的不完美

晶圆级系统的现实是故障不可避免。FTHOE定义了两种基本故障模型：

1. 节点故障：故障路由器本身不可用，其所有关联链路均被视为失效。这模拟了Chiplet完全失效或路由器核心故障的情况。
2. 链路故障：仅阻塞特定方向的直接通信，路由器本身及其他链路仍可工作。这模拟了互连金属线断裂或接口电路故障。

关键在于故障信息的感知范围。全局故障感知（每个路由器都知道全网故障图）存储和通信开销巨大，不适用于大规模网络。FTHOE采用本地故障感知模型：每个路由器仅维护一个4位的“本地故障向量”（Local Fault Vector），每一位代表其东、南、西、北四个直接邻居方向上的链路或相邻节点的健康状态（1表示故障，0表示健康）。

这个设计极其轻量，硬件开销仅为O(1)。故障信息的更新可以通过低频率的维护操作（如上电自检、周期性诊断）来完成，而不需要参与每个数据包的转发路径。这意味着FTHOE对故障状态的响应不是“实时”的，而是“准静态”的，这符合大多数制造缺陷和永久性故障的特征。算法基于当前时刻的本地故障向量做出路由决策，即使该信息略有延迟，也只会影响性能（可能导致临时绕行），而不会破坏算法的正确性（无死锁、可达性依然保证）。

3. FTHOE算法设计与实现细节

有了上述理论基础，FTHOE的核心创新在于如何将本地故障信息无缝融入HOE路由框架，实现动态的、智能的路径选择。

3.1 方向分类与策略表：路由决策的“大脑”

FTHOE首先根据目的节点D相对于当前节点C的位置，将数据包的传输方向分为8个“方向类”：EN（东北）、WN（西北）、ES（东南）、WS（西南），以及四个轴向方向E、W、S、N。对于对角线方向（如EN），在最短路径约束下，通常有两个正交的候选输出端口（如去往东北，可以先向东或先向北）。对于轴向方向，则只有一个最短路径端口。

算法的核心是一张预定义的端口优先级策略表。这张表为每个方向类，在不同的“路由状态”下，规定了输出端口的优先级顺序（P1 -> P2）以及当所有最短路径端口都不可用时的“次优路径”选择。

路由状态由几个简单的本地条件决定：

• odd(y_c): 当前节点所在行是否为奇数行。
• SameRow: 当前节点是否与源节点S在同一行。
• yc = yd - 1: 当前节点是否在目的节点的相邻上一行。

这些状态都可以从本地坐标信息直接计算得出，无需任何全局通信。

以EN（东北）方向类为例，其策略如下：

• 状态1（奇数行 且 SameRow）: 优先级为 [东, 北]，次优路径为西（必要时南）。
• 状态2（奇数行 且 非SameRow）: 优先级为 [北, 东]，次优路径为南（当东不可用时）。
• 状态3（偶数行 且 yc != yd-1）: 优先级为 [东, 北]，次优路径为南。
• 状态4（偶数行 且 yc = yd-1）: 优先级为 [东]，次优路径为南。

这个策略表是算法智能的集中体现。它并非随机指定优先级，而是经过精心设计，旨在：

1. 优先利用HOE模型下合法的、且能最快接近目的地的方向。
2. 当首选方向因故障或转向规则被禁时，能无缝回退到另一个合法的最短路径方向。
3. 当所有最短路径方向均被阻塞时，提供一个受控的、不会引入死锁的绕行出口（通常是进入相邻行或列，以脱离故障区域）。

3.2 路由决策流程：一步步的智能选择

每个数据包到达路由器时，路由决策是一个纯组合逻辑的过程，伪代码如下所示（以EN方向为例）：

输入: 当前路由器C，目的节点D，源节点S，输入端口 in_port 1: 根据C、D、S的坐标计算状态 state = {odd(y_c), SameRow, yc == yd-1} 2: 查表获取EN方向在state下的候选端口列表 cand_ports 和次优路径 suboptimal 3: for dir in cand_ports: # 按优先级遍历 4: if 端口dir健康(根据本地故障向量) 且 转向(in_port -> dir)合法(根据HOE规则): 5: return dir # 选择该端口输出 6: end if 7: end for 8: # 所有最短路径端口均不可用 9: for dir in suboptimal: # 尝试次优路径 10: if 端口dir健康 且 转向合法: 11: return dir 12: end if 13: end for 14: # 极端情况：次优路径也不可用（理论上在连通网络中应很少见） 15: return 任意健康的、非U-turn的合法端口 # 保证前进

这个过程有几点需要强调：

• 纯本地决策：决策仅依赖于当前节点的坐标、本地故障向量、输入端口和固定的策略表，不依赖任何跨节点的状态或历史信息。
• 动态优先级：端口优先级不是固定的，而是根据SameRow等状态动态调整。这增加了路径选择的随机性，有利于长期负载均衡。
• 受控绕行：第8-13行的次优路径选择是算法容错的关键。它允许数据包暂时偏离最短路径，但这个偏离是严格受限的。一旦数据包通过次优路径离开故障邻域，在下一跳，路由决策会立刻基于新的当前位置重新计算，并大概率回归到最短路径候选集中。这避免了数据包“迷失”在长距离的绕行中。
• 无状态：算法不在数据包中携带任何额外的路由元数据（如绕行标志）。每一跳都是独立的决策，这简化了路由器设计。

3.3 死锁与活锁避免性证明

一个路由算法必须在理论上证明其正确性。FTHOE的无死锁性继承自其底层的HOE转向模型。

定理：FTHOE路由算法是无死锁的。证明：

1. 无故障情况：数据包严格遵循HOE转向规则。如前所述，HOE模型禁止的转向（偶数行ES/NW，奇数行NE/WS）确保了在任何行都不可能形成顺时针或逆时针的通道依赖环。因此，通道依赖图（CDG）中不存在有向环。
2. 有故障情况：当数据包因故障触发次优路径选择时，它可能在当前节点使用一个在无故障时被禁止的转向（例如，在偶数行进行了ES转向）。关键在于FTHOE的“下一跳限制”机制：这个被临时允许的转向仅对当前跳有效。在下一跳路由器，数据包的路由决策将基于新的输入端口和当前位置，重新严格遵循HOE规则。这意味着，这个临时转向不会在CDG中创建一条新的、可传递的依赖边。CDG的拓扑结构完全由HOE允许的转向集合静态决定，不随数据包的瞬时绕行行为而改变。因此，即使多个数据包同时进行绕行，也不会在CDG中引入循环依赖。

活锁避免：活锁指数据包在网络中无限绕行，无法到达目的地。FTHOE通过以下机制避免活锁：

• 有限绕行：故障区域是有限且静态的。次优路径的选择是为了逃离故障“邻域”，一旦离开，算法即引导数据包回归最短路径方向。
• 单调进展：在非故障区域，算法总是优先选择能减少到目的地曼哈顿距离的方向（最短路径或受控绕行）。即使绕行，也是以进入相邻行/列为代价，旨在脱离局部阻塞，整体上仍在向目的地迂回前进。
• 无循环偏转：“下一跳限制”机制防止了被禁止的转向在连续节点上重复使用，避免了数据包在局部振荡。

在有限规模、有限故障的网络中，FTHOE能保证所有数据包最终到达目的地。

4. 性能评估与对比分析

我们通过在gem5仿真器中集成Garnet片上网络模型，对FTHOE进行了全面的性能评估。对比算法选择了两��代表性的无虚拟通道容错路由算法：LBFT（基于奇偶转向的负载均衡容错路由）和OFTR（一种低开销的 oblivious 容错路由）。仿真配置统一为：2D Mesh拓扑（8x8, 16x16, 32x32），数据包和微片大小一致，路由器与链路延迟均为1周期。

4.1 ���迟与吞吐量：FTHOE的全面领先

我们测试了多种流量模式（均匀、转置、位反转、热点）和故障场景（无故障、单链路故障、单节点故障、混合故障）。

无故障场景：如图9所示，在低注入率下，所有算法延迟相当。随着注入率增加，网络逐渐拥塞。FTHOE的延迟拐点（饱和注入率）显著高于LBFT和OFTR。这是因为FTHOE在无故障时完全保留了HOE的高路径多样性，流量分布更均匀，延缓了网络饱和的到来。

单故障与混合故障场景：这是容错能力的试金石。如图10-13及表4、表5所示，随着故障出现和密度增加，所有算法的性能都会下降，但FTHOE的下降幅度最小。

• 在单点故障下，FTHOE的平均延迟增长更平缓，饱和吞吐量比LBFT和OFTR高出约5-15%。
• 在混合故障（如4个故障节点+4个故障链路）下，优势更加明显。在均匀流量下，FTHOE的吞吐量比OFTR高约8%，比LBFT高约18%；在热点流量下，优势扩大到约10%和25%。

关键洞察：FTHOE的优势并非来自更复杂的硬件，而是来自更智能的路径选择。当故障阻塞了某些最短路径时，OFTR和LBFT由于相对保守的转向规则或固定优先级，可能会过早地放弃其他仍然可用的最短路径分支，被迫进行非最短路径绕行。而FTHOE通过本地故障向量动态调整优先级，能更有效地发现并利用那些未被阻塞的、合法的绕行最短路径，从而减少了平均跳数和绕行区域的拥塞。

4.2 负载均衡：量化分析与内在机理

负载均衡能力对于避免热点和提升整体吞吐量至关重要。我们通过节点负载的热力图（图14）和量化指标（表6）进行评估。

在热点流量叠加故障的场景下，LBFT的热力图显示流量在少数路径上高度集中。OFTR有所改善，而FTHOE的流量分布最为分散。量化指标（负载标准差、变异系数、基尼系数、归一化熵）一致表明：FTHOE在负载均衡性上显著优于LBFT，与OFTR相当或略优，但表现出更稳定的统计特性（置信区间更窄）。

这背后的机理可以简化理解：在稳态下，每个通信流有多条可选路径。设路由器i被流f经过的概率为p_i(f)。OFTR采用固定的端口优先级，长期运行会导致某些路径被持续偏好，使得对应的p_i(f)值很高，造成负载集中。FTHOE通过基于本地故障向量的动态优先级重排，在保持最短路径约束的前提下，将流量选择概率更均匀地分散到多个可行的方向上。从统计上看，这降低了路由器负载期望值E[L_i]的空间方差，从而实现了更好的负载均衡。

4.3 硬件开销与能效：轻盈的代价

容错能力的提升是否以巨大的硬件开销为代价？我们的分析（基于DSENT工具，45nm工艺）给出了否定的答案。

面积：如表8所示，FTHOE与OFTR的 router 面积几乎相同（~4.5687 mm²），且仅比基础的HOE路由器多了存储4位本地故障向量和少量组合逻辑的微小开销。LBFT由于需要维护更大的故障信息表和额外控制状态，面积明显更大（~4.5782 mm²）。关键在于，三者都没有修改核心数据通路（输入缓冲、交叉开关等），开销差异仅体现在控制逻辑上。

功耗与能效：如图15所示，随着注入率增加，动态功耗成为主导。FTHOE的总功耗略高于OFTR，但远低于LBFT。这是因为FTHOE更高效的路径利用导致了更高的开关活动因子。然而，从“能效”角度看（图16），我们绘制了每微片能量与平均延迟的关系。在相同的性能（延迟）水平上，FTHOE消耗的能量更低。这意味着，为了达到相同的网络延迟，FTHOE因其更高的吞吐能力和更少的拥塞，使得数据包能更快地通过网络，从而减少了在网络中停留的总能量消耗。这是一个非常重要的优势。

4.4 鲁棒性测试：在极端条件下的表现

一个好的算法必须经得起各种边界条件的考验。

1. 网络规模扩展：我们将网络从8x8扩展到16x16和32x32，并同比增加故障数量。如图17所示，虽然所有算法的归一化吞吐量都随规模增大而下降（路径变长，竞争加剧），但FTHOE的相对性能优势在所有规模下都得以保持，且性能下降曲线更平缓，证明了其良好的可扩展性。

2. 路由器延迟：将路由器流水线深度从1周期增加到2周期。如表9所示，虽然绝对吞吐量下降，但FTHOE始终保持最高的吞吐量，说明其优势不依赖于极低的路由器延迟。

3. 结构化空间故障：模拟晶圆制造中可能出现的相关缺陷，如2x2、3x3的故障块，或1x6的裂缝式故障。在均匀随机流量下，FTHOE成功投递了所有数据包，平均延迟增长有界且与故障区域大小成比例。这证明了其基于哈密顿路径的引导和本地感知机制，即使面对大面积相关故障，也能保证连通性和稳定运行。

4. 延迟/过时的故障感知：在实际系统中，故障检测和状态更新是异步的。我们模拟了故障向量刷新间隔极大（20000周期）的情况。如表11所示，与即时更新相比，性能影响微乎其微（变化<0.02%）。这是因为FTHOE不依赖全局一致的故障信息，本地信息的短暂过时只会导致临时、局部的次优路径选择，而不会影响正确性或造成大规模性能崩塌。

5. 实践考量、局限与未来方向

FTHOE算法为晶圆级互连网络提供了一个强有力的容错路由解决方案，但在实际部署前，仍需考虑其适用范围和潜在扩展。

5.1 适用性与假设

• 拓扑结构：FTHOE核心适用于二维网格及其有界变体（如包含故障的网格）。其哈密顿嵌入和奇偶转向规则严重依赖于网格的行列结构。对于高度不规则的拓扑（如树形、环形），需要重新设计嵌入和转向规则。
• 异构性：算法在逻辑路由层工作，只关心连通性和相对位置。因此，它可以自然地处理由不同工艺、功能的Chiplet构成的异构晶圆系统，只要它们在逻辑上能映射到一个网格。计算核的异构性或链路带宽的差异会影响端到端性能，但不会破坏路由算法的正确性。
• 故障模型：当前主要处理静态或准静态的永久性故障。对于瞬时故障，需要结合链路级重传或纠错码（ECC）机制。算法本身不区分故障类型，只要故障信息能反映在本地故障向量中。
• 链路延迟与可重构互连：当前模型假设统一的链路延迟。对于具有非均匀延迟的系统，需要将延迟作为成本度量纳入路由决策，这是一个有趣的扩展方向。此外，对于像SDSoW（软件定义晶圆系统）这类具有可重构互连层的系统，如果逻辑拓扑动态变化，则需要运行时重新计算哈密顿编号和转向约束，这对一致性管理提出了挑战。

5.2 硬件实现要点

在RTL实现层面，FTHOE路由器相比基础HOE路由器，主要增加以下模块：

1. 本地故障向量寄存器：一个4位的寄存器，每位对应一个方向，由上层维护逻辑定期更新。
2. 路由计算逻辑扩展：在原有的方向类计算和HOE规则检查逻辑之后，增加一个优先级选择模块。该模块以当前坐标、目的坐标、源坐标、输入端口和本地故障向量为输入，查询一个硬连线的策略表（可编码为组合逻辑或小型ROM），输出最终选择的端口。
3. 健康检查：在端口仲裁之前，用本地故障向量对候选端口进行屏蔽。

整个决策路径仍然是组合逻辑，不会增加关键路径延迟。增加的硬件面积和功耗微乎其微，如表8所示。

5.3 常见问题与排查

在实际仿真或实现中，可能会遇到以下问题：

1. 数据包无法送达（看似死锁）：

   • 检查：首先确认故障设置没有将网络物理分割成不连通的区域。FTHOE无法解决物理不连通的问题。
   • 检查：验证本地故障向量的设置是否正确。一个节点的故障应同时标记在其所有邻居的故障向量中。
   • 检查：确认路由策略表的实现与论文定义完全一致，特别是SameRow和yc = yd - 1条件的判断逻辑。
   • 调试：可以开启路由跟踪，打印数据包每一跳的决策（当前节点、目的、方向类、候选端口、选中端口、故障向量），观察其是否在故障区域附近循环。

2. 性能未达到预期：

   • 检查流量模式：均匀流量最能体现路径多样性优势。如果使用高度偏斜的流量（如单个热点），所有算法的性能都会下降，但FTHOE的相对优势应仍然存在。
   • 检查故障模式：将故障放置在网络中心或关键路径上，对性能的影响最大。可以对比FTHOE和其他算法在不同故障位置下的表现。
   • 检查仿真配置：确保对比算法（LBFT， OFTR）的实现是正确的，并且所有公共参数（缓冲区深度、链路带宽、流量注入模型）完全一致。

3. 硬件资源估算偏差：

   • 注意：论文中的面积功耗是基于特定工艺库（45nm）和路由器微架构（端口数、缓冲区深度）估算的。在实际项目中，需要使用自己的工艺库和设计参数进行重新综合与评估。
   • 关键：FTHOE的主要优势在于控制逻辑的微小增加换来网络级性能的显著提升。评估时应着重对比“性能/面积”或“性能/功耗”这个比值。

5.4 未来演进方向

FTHOE为无虚拟通道的容错路由开辟了一条新思路，但仍有多方面可以深化：

• 动态故障处理：当前模型针对静态故障。未来可探索与在线故障检测和恢复机制结合，处理间歇性故障或新增故障。
• 扩展到更高维拓扑：如何将哈密顿路径和奇偶转向模型优雅地扩展到3D Mesh或Torus拓扑，是一个理论挑战。
• 与流量感知结合：本地故障向量可以扩展为“拥塞-故障复合向量”，在端口选择时同时考虑链路健康状态和拥塞程度，实现更精细的流量工程。
• 在真实SDSoW平台验证：在真实的软件定义晶圆系统原型上部署FTHOE，验证其在复杂异构互连和动态重构场景下的有效性。

从我个人的工程实践角度看，FTHOE最吸引人的地方在于其简洁与高效的平衡。它没有引入复杂的虚拟通道或全局重配置，仅通过一个轻量级的、基于本地信息的动态调整策略，就显著提升了在故障存在下的网络性能。这种“四两拨千斤”的设计哲学，非常契合晶圆级系统对低开销、高可靠性的严苛要求。在实际芯片设计项目中，当你需要在有限的硬件预算内最大化互连网络的鲁棒性时，FTHOE这类算法值得被优先考虑和评估。它的实现复杂度是可控的，而带来的性能收益，在系统规模越大、故障率越高的场景下，将越发可观。