[發明專利]一種基于機器學習的有效指令窗口大小評估方法

有效

• 申請號: 201910846458.1
• 申請日: 2019-09-06
• 公開（公告）號: CN110750856B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 凌明;趙彬
• 申請（專利權）人: 東南大學;東南大學—無錫集成電路技術研究所
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/0442;G06N3/0464;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 熊玉瑋

1.一種基于機器學習的有效指令窗口大小評估方法，其特征在于：

步驟S1：在ROB處于充滿狀態的各種硬件配置參數下，通過全功能時序精確型仿真獲取目標程序部分執行時間內的執行流，并按照預先設定的指令數粒度將此執行流劃分為固定長度的統計階段，所述ROB處于充滿狀態的各種硬件配置參數是采用實驗法獲得；

步驟S2，采用全功能時序精確型仿真獲取當前軟件負載中每一個統計階段的微架構無關參數、硬件配置參數以及有效ROB信息，每一個統計階段的的微架構無關參數、硬件配置參數以及有效ROB信息構成一組訓練樣本，以有效ROB信息作為因變量，并以該有效ROB所對應的193維微架構無關參數及6維硬件配置參數為自變量，采用控制變量法設計出訓練樣本集；

步驟S3：采用機器學習方法構建以訓練樣本集為輸入、以有效指令窗口大小為輸出的模型，并采用訓練樣本集訓練該模型以獲得能夠預測有效指令窗口大小的經驗模型；

步驟S4，利用指令級模擬器運行目標程序并提取目標程序的微架構無關參數；

步驟S5，目標程序中，不同的硬件配置參數下，將步驟S4所獲得的目標程序微架構無關參數導入步驟S3所獲得的有效指令窗口大小的經驗模型，對目標程序的有效指令窗口大小進行預測和評估。

2.根據權利要求1所述的一種基于機器學習的有效指令窗口大小評估方法，其特征在于：所采用的實驗法是通過控制變量法分別設計的多個實驗，所獲取的ROB充滿情況下的各種硬件配置參數包括：ROB大小、指令隊列、Cache配置參數、物理寄存器、前端寬度、后端執行單元數目。

3.根據權利要求1所述的一種基于機器學習的有效指令窗口大小評估方法，其特征在于：所述采用機器學習方法對有效指令窗口大小進行建模包括：線性回歸方法和非線性方法。

4.根據權利要求3所述的一種基于機器學習的有效指令窗口大小評估方法，其特征在于：采用所述的線性回歸方法進行建模的具體步驟包括：對訓練樣本集中微架構無關參數及硬件配置參數進行歸一化處理，歸一化處理后的訓練樣本集通過斯皮爾曼相關性分析進行降維，剔除與因變量不相關的自變量，通過逐步回歸剔除與因變量雖然相關但相關度不顯著的自變量。

5.根據權利要求3所述的一種基于機器學習的有效指令窗口大小評估方法，其特征在于：采用所述的非線性方法進行建模的具體步驟包括：選取BP神經網絡對訓練樣本集進行擬合訓練，依照經驗公式調試獲取的訓練方法、激勵函數及隱含層節點數。