[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

说明书

本发明提出一种基于机器学习的有效指令窗口大小评估方法，属于计算机体系结构与建模领域。该方法以有效ROB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维硬件配置参数作为自变量，采用控制变量法设计出训练样本集，采用机器学习方法对有效指令窗口大小进行建模，并采用训练样本集训练模型以获得能够预测有效指令窗口大小的经验模型。本发明以有效指令窗口大小代替ROB窗口大小，从而提高CPI栈理论模型的精度。另外，本发明实现了对有效指令窗口大小的评估，也可以作为ROB大小选择的评估依据。

技术领域

本发明涉及计算机体系结构与建模领域，具体涉及一种基于机器学习的有效指令窗口大小评估方法。

背景技术

在处理器的研发阶段，设计空间探索(Design space exploration，DSE)至关重要。不同微架构参数的处理器性能天壤之别，DSE旨在用最快的时间帮助研发人员找到最适合当前需求的微架构参数的取值。现有技术中，对给定微架构参数的处理器性能进行准确评估的主要手段包括：解析性能建模(Analyticalperformance modeling)和仿真(Simulation)。相对于仿真而言，解析性能建模虽然牺牲了一定的精度但是带来了大幅的评估速度提升，因而被广泛应用于学术界和工业界。

对于解析建模中的性能区间模型，程序运行的总时钟周期由流水线稳态下执行指令所需时间加上各类由缺失事件而产生的惩罚延迟时间组成。基于性能区间模型，可以将处理器执行每条指令的平均周期数(Cycles Per-Instruction，CPI)划分为相应的稳态周期数和相应的缺失事件周期数，从而构造所谓的CPI栈。为了量化CPI栈中的稳态吞吐率和访存并发度(MLP)，需要采用基于滑动指令窗口的软件Trace分析方法。当前研究所采用的软件Trace分析方法中，都是以重排序缓存(Reorder Buffer，ROB)的大小作为指令窗口的大小，因此该方法中隐含了ROB总是充满指令的假设条件。然而，根据实验观察，ROB在绝大多数时间中都处于不完全充满状态，并且ROB的充满情况还随着软件的不同执行阶段而不同。以ROB大小作为指令窗口大小从本质上看仅是一种近似，因此需要研究一种准确的有效指令窗口大小评估方法以提高CPI栈理论模型的精度。

发明内容

本发明的目的是为了克服现有技术所存在的不足而提出了一种基于机器学习的有效指令窗口大小评估方法，从而以有效指令窗口大小代替ROB窗口大小，实现CPI栈模型精度的提升。

为了解决上述技术问题，本发明提出如下技术方案：

本发明提出的一种基于机器学习的有效指令窗口大小评估方法，包括以下步骤：

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。

ROB处于充满状态的各种硬件配置参数是采用实验法获得的。

其中，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(IQ)、Cache配置参数、物理寄存器、前端宽度、后端执行单元数目等。

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；

其中，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。