基于机器学习的线程级推测模型和编译优化方法研究

项目名称： 基于机器学习的线程级推测模型和编译优化方法研究

项目编号： No.61173040

项目类型： 面上项目

立项/批准年度： 2012

项目学科： 计算机科学学科

项目作者： 赵银亮

作者单位： 西安交通大学

项目金额： 55万元

中文摘要： 线程级推测（TLS）是多核体系结构上加速串行程序的一种线程级自动并行化技术，TLS加速机制的性能受到软硬件多种复杂因素制约，已有的基于软硬件协同设计和启发式规则的编译优化方法带有经验性弱点。本项目首次提出TLS样本集以及从样本集中学习线程划分知识的思想，克服了经验性方法的弱点。研究基于机器学习的TLS模型，包括：TLS特征设计、特征值获取及表示，构建TLS样本集的方法和关键技术，学习算法，以及线程划分知识的表示及评价。提出基于机器学习的TLS线程划分方法，并基于课题组研制的Prophet编译系统实现新方法，预期经Olden基准程序测试比现有加速机制提高性能20%以上。研究目标是揭示TLS线程划分影响程序加速比的内在规律，证实机器学习能够全面提高TLS性能，为支持TLS的软硬件协同设计提供新途径。预期成果可应用于多核处理器体系结构设计、多核编译器、多核并行计算等领域以及加速现有串行应用程序。

中文关键词： 线程级推测；机器学习；编译优化；循环选择；线程划分知识

英文摘要：

英文关键词： thread-level speculation；machine learning；compiler optimization；loop selection；knowledge of thread partition