[發明專利]一種基于人工神經網絡的亂序處理器Cache訪存性能評估方法

有效

• 申請號: 201511018113.5
• 申請日: 2015-12-29
• 公開（公告）號: CN105653790B
• 公開（公告）日: 2019-03-29
• 發明（設計）人: 季柯丞;王芹;凌明;時龍興
• 申請（專利權）人: 東南大學—無錫集成電路技術研究所
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

1.一種基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于，包括以下步驟：

步驟1，仿真獲取目標程序執行時間前30％的訪存亂序執行流；依據Gem5指令序號對亂序執行流進行重排序，獲取訪存順序執行流；設計堆棧距離算法，分別對順序執行流與亂序執行流提取堆棧距離分布，并作數據歸一化；

步驟2，根據步驟1得到的亂序訪存堆棧距離分布在Gem5中加入Cache訪問缺失事件的判定邏輯，統計各項缺失事件次數；

步驟3，選取BP人工神經網絡，依照經驗公式調試獲取合適的訓練方法、網絡層級數目以及各層級內的神經元個數；通過選定的BP人工神經網絡對步驟1得到的歸一化后的順序訪存堆棧距離分布與步驟2判斷得到的不同的訪問缺失事件間的映射關系進行擬合；

步驟4，利用Qemu運行目標程序得到目標程序順序執行流，將目標程序順序執行流導入步驟1設計的堆棧距離算法提取目標程序堆棧距離分布；

步驟5，將第4步獲取的目標程序堆棧距離分布歸一化后導入步驟3選取的BP人工神經網絡，同時根據堆棧距離分布與不同的訪問缺失事件間的映射關系預測目標程序在亂序處理器中的Cache訪問缺失次數。

2.根據權利要求1所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：所述步驟1中堆棧距離算法的設計方法如下：堆棧距離指,針對同一Cacheline的兩次連續訪存請求間的訪存地址個數，通過紅黑樹與哈希表的組合計算堆棧距離；訪存Trace包括2個模塊，一是當前訪存請求地址，二是當前訪存請求序號SN；哈希表的個數為兩個，分別為第一哈希表、第二哈希表，第一哈希表采用地址中Tag與Set位域作為索引，獲取內容為無效化標志以及前次同地址訪存的序號；第二哈希表通過地址Set位域索引，獲取指向紅黑樹的指針；紅黑樹中存儲訪存序號SN，并按照升序排列；通過在第一哈希表中索引到的SN號，在紅黑樹中找到數據結構中的存儲位置，計算該位置與紅黑樹尾端的距離即為當前訪存請求在Cache Set內的堆棧距離；完成堆棧距離計算后，將當前訪存序號分別更新至第一哈希表與紅黑樹中索引的SN處；當檢測到寫操作時，依據寫地址找到第一哈希表中對應的內容失效位置1。

3.根據權利要求2所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：對訪存堆棧距離分布采取歸一化的數據處理的方法；將堆棧距離超過100的所有分布合成一維。

4.根據權利要求1所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：所述步驟2中Gem5中Cache訪問缺失事件的判定的方法：

訪存缺失計數可通過在gem5中嵌入訪存堆棧距離計算來判定；

冷缺失：若在第一哈希表中找不到當前訪存請求地址，則判定為冷缺失；

競爭缺失：若在第一哈希表中找到當前訪存請求地址且堆棧距離大于等于Cache組關聯數目，則判定為競爭缺失；

一致性缺失：若在第一哈希表中找到當前訪存請求地址且堆棧距離小于Cache組關聯數，同時內容無效化標志為1，則判定為一致性缺失。

5.根據權利要求1所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：BP人工神經網絡采用Levenberg Marquard訓練方法。

6.根據權利要求1所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：BP人工神經網絡的隱含層節點數目存在經驗公式如下：

其中h為隱含層節點數目，m為輸入層節點數目，n為輸出層節點數目，a為1-10之間的調節常數。

7.根據權利要求1所述的基于人工神經網絡的亂序處理器Cache訪存性能評估方法，其特征在于：所述BP人工神經網絡采用雙隱含層，第一隱含層采用8個神經單元，第二隱含層采用4個神經元。