本文采用一种乒乓buffer设计方法，开辟两片Buffer用于原始数据存储，轮流交替服务于原始数据接收和计算，这样可以提高整个链路的处理效率。

现有FPGA的AI加速技术往往使用单卡方案实现某个模型的加速，或者使用FPGA集群实现模型的分布式推理，但是没有更细力度的加速方案。单卡和集群的方案容易造成功能固化，通用性不够，同时资源消耗大，很难实现资源共享。本文考虑到AI中常用算法中的基本计算单元，构建常用的算子，比如卷积算子、浮点累加器算子等等，可以实现更细粒度的功能整合。同时由于基于PCIe SR-IOV技术，实现vf级的算子动态调度，进一步增加资源的灵活度。

本文介绍了传统机器学习随机森林算法的相关概念和特点，然后介绍了随机森林算法在流量识别的方法、优势及挑战，并就这些挑战提出了FPGA加速方案，说明了相应的加速成果，最后对FPGA在随机森林算法领域的实现优势进行了总结及展望。

在FPGA设计中，有时要使用到mac ip，像Intel的某些mac ip，对tx方向有整包连续接收的要求，即valid在sop和eop之间必须拉高，这就对相关的fpga设计提出了整包发送的要求。本文搭建platform design实现整包发送功能。