征程 6｜Cache 使用场景

一、缓存机制基础

1.1 缓存类型对比

1.2 典型应用场景

缓存缓冲区 ：适用于高频 CPU 访问场景（如 AI 推理中间数据）
非缓存缓冲区 ：适用于设备直传场景（如 DMA 数据流）

二、数据一致性问题深度解析

2.1 DMA-CPU 缓存协同问题

当 DMA 设备与 CPU 缓存系统协同工作时，可能引发以下同步异常：
典型异常表现 ：感知输出图像中出现非连续绿色伪影（数据不同步导致的像素错位）

三、缓存管理技术方案

3.1 手动缓存控制接口

// CPU写入后执行Cache刷新（确保DMA获取最新数据）
int32_t hb_mem_flush_buf_with_vaddr(uint64_t virt_addr, uint64_t size);

// DMA写入后执行Cache失效（确保CPU读取最新数据）
int32_t hb_mem_invalidate_buf_with_vaddr(uint64_t virt_addr, uint64_t size);

3.2 自动化缓存配置

1.输入缓冲区配置

"in_buf_noclean": 0 # 0=自动执行 flush（默认 1 不执行）
"in_buf_noncached": 0 # 0=使用缓存内存（默认）

2.输出缓冲区配置

"out_buf_noinvalid": 0 # 0=自动执行 invalidate（默认 1 不执行）
"out_buf_noncached": 0 # 0=使用缓存内存（默认）

四、配置策略建议

4.1 性能敏感场景

"in_buf_noclean": 1 # 关闭自动 flush
"out_buf_noinvalid": 1 # 关闭自动 invalidate
适用场景：高频数据流（>60fps 视频流）
注意事项：需配合手动缓存控制接口使用

4.2 数据安全场景

"in_buf_noclean": 0 # 强制自动 flush
"out_buf_noncached": 1 # 使用非缓存内存
适用场景：自动驾驶感知推理场景
性能影响：增加约 15-20%的 CPU 开销

五、最佳实践指南

混合使用策略 ：对处理流水线中的中间缓冲区采用 Cache Buffer，终端输出使用 No Cache Buffer

批处理