[发明专利]基于LLVM的科学计算程序自动性能预测方法

说明书

技术领域

本发明科学计算程序自动性能预测方法，属于程序性能预测技术领域。

背景技术

高性能计算是计算机科学的一个重要的分支，而性能则是高性能计算的关键特征。程序的执行时间是用户最关心的性能特征，用户之所以选择使用成百上千个处理器处理程序，必然是需要在有限的时间内得到程序运行结果。因此，预测并行程序在某个平台上执行的时间得到了越来越多的研究，这种技术称为程序性能评测。

性能评测方法可以分为动态分析和静态分析。

所谓动态分析的方法，就是通过小规模预测大规模，即在小的输入规模和并行度下多次测量，将得到的数据绘制在一个坐标图上并进行曲线拟合或是回归分析，最后通过曲线拟合得到的公式，就能够预测更大规模和更大并行度下的运行时间。

但这种方法的问题在于：

操作繁琐：因为需要运行许多小规模，同时同一规模下还需要多次运行取平均值，因此需要耗费大量的时间来搜集数据。而且程序执行时多种因素相互影响，平均值很难趋于稳定。而且还会要求大量的采样数据，于是更加使得预测代价增加。

预测范围小：在选择采样规模的时候，还必须尽量平均分布其间距。若是为了测量1024并行度，而选择的采样规模范围只有[0-128]这样一个小范围所拟合出来的曲线，很难保证在1024规模下是合理的。即使拟合函数在前面一段范围能很好的重合，也不能保证在大规模下也能拟合的很好。这样就限制了预测的应用范围。而且有的程序的并行度是有要求的，不能连续变化，这样，采样的数据点不能做到平均分布。

结果合理性不足：因为整个拟合过程都是从纯数学上分析的，忽略了许多程序内部的依赖，因此也就忽略了需要程序特征。这种分析出来的结果即使精度能够接受，也不能证明对于其他所有情况和实验平台也能够保持同样的精度。

对输入有限制：动态分析的干净的表达式是其优点，同样也是其缺点。首先它需要识别参数，这一步只能由人工标注完成，妨碍了自动化。

静态分析就是基于编译器来分析代码，获取程序的一些特征。LLVM就提供了一种静态分析的方法，即静态分支概率技术，下面会有相应的介绍。但是该方法存在相应的问题：

合理性不足：分支概率只是应用了先验概率和分支指令的类型，实际上并不能代表目标程序。

结果为常数：无论是多大的输入规模和多大的并行度，计算出来的基本块频率为常数，因为使用的先验概率就是常数。然而这并不能满足我们的要求。

发明内容

本发明为了实现科学计算程序的自动化分析，提高静态分析的精确性，同时能够最后给出程序预测的时间，进而提供了一种基于LLVM的科学计算程序自动性能预测方法。

本发明为解决上述技术问题采取的技术方案是：

一种基于LLVM的科学计算程序自动性能预测方法，所述方法的实现过程为：

步骤一、将待预测的源程序转化为LLVM中的中间代码bitcode；

步骤二、分析中间代码bitcode，从而获得识别通讯指令MPI的调用、循环次数、静态分支概率；

步骤三、对所述中间代码bitcode进行混合插桩，分别为：进行通讯指令MPI的通讯量及通讯类型的插桩，循环次数结合静态分支概率获得基本块执行次数进行插桩；

步骤四、对进行混合插桩后的中间代码bitcode进行代码删减，并进行优化处理；

步骤五、运行经优化处理后中间代码bitcode，得到llvmprof.out文件；

步骤六、分析llvmprof.out文件，并结合指令时间预测执行时间。

在步骤二中，分析中间代码bitcode获得循环次数的具体过程为：

根据公式％tc＝(％end-％start)/％stride获得循环次数％tc，其中，％end表示循环结束值，％start表示循环起始值，％stride表示循环步进；

％end是真退出的终止指令，认为是比较指令icmp；

％start是在循环外离循环最近的写入循环归纳变量的存储指令；

分析基本块Header中的phi指令，获得含有％start、％stride的指令，从而分析得到％stride值。

通讯指令MPI的通讯量及通讯类型的插桩过程为：