1.一种构建SNN工作负载自动映射器的方法，其特征在于，包括：

步骤S1：判断计算平台的CPU运算频率和内存是否有变动，若有变动，继续判断是否有存储文件，若有存储文件，则进入步骤S2；若没有变动，或没有存储文件，则量化设计并将获得的参数以文件的形式进行存储，再进入步骤S2，所述量化设计包括存储参数的量化以及时间参数的量化；

步骤S2：编写映射专用脚本，提供映射专用的功能函数接口，所述映射专用脚本包括预测时间模块、网络构建模块和开始预测模块；

步骤S3：对所需映射的SNN案例的网络参数进行自动化采集，获得网络建模参数；

步骤S4：对所获得的网络建模参数进行内存与时间的消耗预测；

步骤S5：将所获得的内存与时间的消耗预测数据转换为映射结果，将所获得的内存与时间的消耗预测数据转换为映射结果的方法为：设计映射函数，处理获得预测数据，得到各个节点规模下的映射变量，将存储占用率的映射阈值和性能最优作为映射标准，通过指定函数推导出映射结果，映射思想为：在存储映射标准方面，以存储占用率Ratem(P)作为映射变量，Ratem(P)计算公式如下所示：Ratem(P)＝M(P)/Mhardware

其中，M(P)为P节点规模下均摊到的内存，Mhardware为单节点硬件所提供的存储，以存储占用率的映射阈值TMM作为映射标准，以存储占用率为TMM的节点规模Pstable作为映射结果，集群的节点规模在Pstable之上则可保证平台稳定运行，TMM以用户输入为准。

2.根据权利要求1所述的构建SNN工作负载自动映射器的方法，其特征在于：所述存储参数的量化方法为：通过手动分析量化，同时通过NEST仿真器提供的内存工具来勘定与矫正参数。

3.根据权利要求1所述的构建SNN工作负载自动映射器的方法，其特征在于：所述时间参数的量化包括通信时间量化以及设备、神经元、突触模型的时间量化。

4.根据权利要求1所述的构建SNN工作负载自动映射器的方法，其特征在于：对所需映射的SNN案例的网络参数进行自动化采集时，在预测时间模块与开始预测模块之间，进行一系列创建与连接来构建网络，神经元群的Rspike与Tref在创建时输入。

5.根据权利要求4所述的构建SNN工作负载自动映射器的方法，其特征在于：对于创建与连接所对应的神经元和突触的规模、出入度等相关参数，由2个一维向量：神经元类型表v_n_type、突触类型表v_s_type和3个二维向量：创建表v_n_create、出度表v_n_out和入度表v_n_in来进行存储。

6.根据权利要求1所述的构建SNN工作负载自动映射器的方法，其特征在于：对所获得的网络建模参数进行存储与时间消耗预测时，通过设计各个负载模型函数，处理通过量化设计和获得的建模参数数据，以实现在各个节点规模下的预测。

7.根据权利要求1所述的构建SNN工作负载自动映射器的方法，其特征在于：将所获得的内存与时间的消耗预测数据转换为映射结果的方法为：设计映射函数，处理获得预测数据，得到各个节点规模下的映射变量，将存储占用率的映射阈值和性能最优作为映射标准，通过指定函数推导出映射结果。

8.一种自动映射器，其特征在于，包括：

判断模块，用于判断计算平台的CPU运算频率和内存是否有变动，若有变动，继续判断是否有存储文件，若有存储文件，则进入编写模块；若没有变动，或没有存储文件，则量化设计并将获得的参数以文件的形式进行存储，再进入编写模块，所述量化设计包括存储参数的量化以及时间参数的量化；

编写模块，用于编写映射专用脚本，提供映射专用的功能函数接口，所述映射专用脚本包括预测时间模块、网络构建模块和开始预测模块；

采集模块，用于对所需映射的SNN案例的网络参数进行自动化采集，获得网络建模参数；

预测模块，用于对所获得的网络建模参数进行内存与时间的消耗预测；

映射模块，用于将所获得的内存与时间的消耗预测数据转换为映射结果，将所获得的内存与时间的消耗预测数据转换为映射结果的方法为：设计映射函数，处理获得预测数据，得到各个节点规模下的映射变量，将存储占用率的映射阈值和性能最优作为映射标准，通过指定函数推导出映射结果，映射思想为：在存储映射标准方面，以存储占用率Ratem(P)作为映射变量，Ratem(P)计算公式如下所示：Ratem(P)＝M(P)/Mhardware

其中，M(P)为P节点规模下均摊到的内存，Mhardware为单节点硬件所提供的存储，以存储占用率的映射阈值TMM作为映射标准，以存储占用率为TMM的节点规模Pstable作为映射结果，集群的节点规模在Pstable之上则可保证平台稳定运行，TMM以用户输入为准。