[发明专利]一种基于机器学习的有效指令窗口大小评估方法

权利要求书

1.一种基于机器学习的有效指令窗口大小评估方法，其特征在于：

步骤S1：在ROB处于充满状态的各种硬件配置参数下，通过全功能时序精确型仿真获取目标程序部分执行时间内的执行流，并按照预先设定的指令数粒度将此执行流划分为固定长度的统计阶段，所述ROB处于充满状态的各种硬件配置参数是采用实验法获得；

步骤S2，采用全功能时序精确型仿真获取当前软件负载中每一个统计阶段的微架构无关参数、硬件配置参数以及有效ROB信息，每一个统计阶段的的微架构无关参数、硬件配置参数以及有效ROB信息构成一组训练样本，以有效ROB信息作为因变量，并以该有效ROB所对应的193维微架构无关参数及6维硬件配置参数为自变量，采用控制变量法设计出训练样本集；

步骤S3：采用机器学习方法构建以训练样本集为输入、以有效指令窗口大小为输出的模型，并采用训练样本集训练该模型以获得能够预测有效指令窗口大小的经验模型；

步骤S4，利用指令级模拟器运行目标程序并提取目标程序的微架构无关参数；

步骤S5，目标程序中，不同的硬件配置参数下，将步骤S4所获得的目标程序微架构无关参数导入步骤S3所获得的有效指令窗口大小的经验模型，对目标程序的有效指令窗口大小进行预测和评估。

2.根据权利要求1所述的一种基于机器学习的有效指令窗口大小评估方法，其特征在于：所采用的实验法是通过控制变量法分别设计的多个实验，所获取的ROB充满情况下的各种硬件配置参数包括：ROB大小、指令队列、Cache配置参数、物理寄存器、前端宽度、后端执行单元数目。

3.根据权利要求1所述的一种基于机器学习的有效指令窗口大小评估方法，其特征在于：所述采用机器学习方法对有效指令窗口大小进行建模包括：线性回归方法和非线性方法。

4.根据权利要求3所述的一种基于机器学习的有效指令窗口大小评估方法，其特征在于：采用所述的线性回归方法进行建模的具体步骤包括：对训练样本集中微架构无关参数及硬件配置参数进行归一化处理，归一化处理后的训练样本集通过斯皮尔曼相关性分析进行降维，剔除与因变量不相关的自变量，通过逐步回归剔除与因变量虽然相关但相关度不显著的自变量。

5.根据权利要求3所述的一种基于机器学习的有效指令窗口大小评估方法，其特征在于：采用所述的非线性方法进行建模的具体步骤包括：选取BP神经网络对训练样本集进行拟合训练，依照经验公式调试获取的训练方法、激励函数及隐含层节点数。