[發(fā)明專利]超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810229640.8
• 申請(qǐng)日: 2018-03-20
• 公開（公告）號(hào): CN108519906B
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計(jì)）人: 凌明;季柯丞;張凌峰;李寬;時(shí)龍興
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): G06F9/455
• 分類號(hào): G06F9/455
• 代理公司: 蘇州創(chuàng)元專利商標(biāo)事務(wù)所有限公司 32103
• 代理人: 范晴;丁浩秋

1.一種超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法，其特征在于，包括以下步驟：

S01：獲取每個(gè)統(tǒng)計(jì)階段與穩(wěn)態(tài)平均吞吐率相關(guān)的微架構(gòu)無關(guān)參數(shù)，所述微架構(gòu)無關(guān)參數(shù)至少包括依賴鏈路延遲分布；

步驟S01中依賴鏈路延遲分布的獲得，包括：

S11：通過定義指令依賴鏈路的結(jié)構(gòu)體，確定每條指令進(jìn)入指令窗口時(shí)其自身和窗口內(nèi)其他指令的依賴關(guān)系，并統(tǒng)計(jì)依賴鏈路長度的大小；

S12：通過定義指令類型的結(jié)構(gòu)體，記錄每條指令的類型，同時(shí)根據(jù)指令的類型獲得指令執(zhí)行所需要的時(shí)間；

S13：統(tǒng)計(jì)得到依賴鏈路延遲分布；

S02：利用聚類算法進(jìn)行分類，選取得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集；

S03：將所選取的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集中的微架構(gòu)無關(guān)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將通過時(shí)序精確仿真獲得對(duì)應(yīng)訓(xùn)練集的線程穩(wěn)態(tài)指令吞吐率作為神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)神經(jīng)網(wǎng)絡(luò)的輸入和輸出進(jìn)行擬合，通過調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、傳遞函數(shù)以及預(yù)設(shè)訓(xùn)練精度，訓(xùn)練得到給定硬件的穩(wěn)態(tài)指令吞吐率神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法，其特征在于，所述微架構(gòu)無關(guān)參數(shù)還包括動(dòng)態(tài)指令流混合比、目標(biāo)線程的運(yùn)行總時(shí)間以及運(yùn)行的總指令數(shù)目。

3.根據(jù)權(quán)利要求1所述的超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法，其特征在于，步驟S01之前還包括，選取固定時(shí)間片段長度，每隔一個(gè)時(shí)間片段對(duì)程序執(zhí)行流（Trace）進(jìn)行片段切割，將整個(gè)目標(biāo)程序執(zhí)行流劃分為若干片段，針對(duì)每個(gè)程序片段收集相應(yīng)的數(shù)據(jù)集，將每個(gè)程序片段作為一個(gè)統(tǒng)計(jì)階段。

4.根據(jù)權(quán)利要求1所述的超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法，其特征在于，步驟S02之前還包括，對(duì)每個(gè)片段的相關(guān)微架構(gòu)無關(guān)參數(shù)進(jìn)行預(yù)處理，形成對(duì)應(yīng)片段的相關(guān)微架構(gòu)無關(guān)參數(shù)向量；通過數(shù)據(jù)降維算法對(duì)相關(guān)微架構(gòu)無關(guān)參數(shù)向量進(jìn)行降維、去噪處理，形成對(duì)應(yīng)片段的微結(jié)構(gòu)無關(guān)數(shù)據(jù)集。

5.根據(jù)權(quán)利要求4所述的超標(biāo)量亂序處理器穩(wěn)定狀態(tài)指令吞吐率建模方法，其特征在于，還包括，

將包含統(tǒng)計(jì)階段所有特征向量的數(shù)據(jù)集分成多個(gè)大類；

針對(duì)每一個(gè)大類，使用k-均值聚類算法將大類分成一定比例的小類；

選取每個(gè)小類中離中心點(diǎn)距離最近的點(diǎn)作為一個(gè)特征向量。