一种应用于机器学线程划分的手工样本集生成方法

摘要

本发明公开了一种应用于机器学线程划分的手工样本集生成方法，先利用自动划分编译器对输入应用程序进行自动划分并生成带有划分标志位sp-cqip和预计算片段的Mips代码段，并利用模拟器运行该代码得出获得的初始加速比。再通过手工调整标志位并观察加速比的变化，记录和保存加速比最大时的sp-cqip信息。最后在sp-cqip位置确定的基础上，手工生成预计算片段。本发明针对启发式规则划分方案对所有应用程序使用统一划分规则的现状，提供适应不同应用程序的基于机器学线程划分方案的样本集，该样本生成方法在自动生成基础上加入手工调整的方法，从而挖掘线程划分位置影响加速比变化的潜在规律。

主权项

一种应用于机器学习线程划分的手工样本集生成方法，其特征在于，包括以下步骤：步骤一、选取若干基准程序，其中选取的基准程序均为同时含有循环结构和非循环结构的应用程序；步骤二、对步骤一选取的每个基准程序进行剖析，确定每个基准程序基本块之间的数据依赖信息；步骤三、利用启发式规则对选取的每个基准程序的循环部分和非循环部分实现划分，同时生成带有线程划分标志的初始样本，其中线程划分标志包括线程激发点sp、子线程开始点cqip，预计算片段开始点和预计算片段结束点，生成的初始样本的形式为mips代码；步骤四、利用手工方式调整每个基准程序生成的初始样本的线程划分标志位，并根据该基准程序的数据依赖信息，手工生成调整后的初始样本的预计算片段，此时生成的预计算片段和调整后的初始样本共同构成该基准程序的目标程序，然后运行目标程序，生成该基准程序的线程运行加速比；步骤五、重复步骤四，直至每个基准程序的线程运行加速比分别达到最大值，将每个线程运行加速比最大值时的目标程序作为一个最终样本；步骤六、统计所有的最终样本，得到应用于机器学习线程划分的手工样本集。