用于程序自動性能預測的視點提升方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種用于程序自動性能預測的視點提升方法。
【背景技術(shù)】
[0002] 程序常見的性能評測方法包括動態(tài)分析和靜態(tài)分析。所謂動態(tài)分析即真實運行較 小輸入規(guī)模和并行度預測大規(guī)模的情況，靜態(tài)分析即基于編譯器分析代碼，獲取程序特征。 現(xiàn)在希望動態(tài)分析和靜態(tài)分析相結(jié)合獲取程序性能。動態(tài)分析代表精確性，而靜態(tài)分析代 表預測性。
[0003] 研究中通過靜態(tài)分析獲取循環(huán)次數(shù)，插粧到源程序中，運行刪減后的程序獲取循 環(huán)次數(shù)，結(jié)合程序特征，最終得到預測時間。LLVM本身提供了EdgeProfiling，即在循環(huán)的 preheader插入"邊"的信息。但運種方法是純動態(tài)分析的方法與我們預測的初衷不符，所 得的預測概率較低。
[0004] 需要在保證精度的同時尋找合適的插入位置，所尋找的插粧位置即視點，視點是 指通過靜態(tài)分析得到循環(huán)次數(shù)的插粧位置，其優(yōu)點在于完美的統(tǒng)一了靜態(tài)預測和動態(tài)預 巧。。通過提升或降低視點來自由調(diào)節(jié)動態(tài)性和靜態(tài)性的比例。視點過高，增加預測性但會 降低精度，也就是趨近于純靜態(tài)分析。如果視點過低則會失去預測性，趨近于LLVM提供的 EdgeProfiling。亟需一種能夠保證精度的同時盡量提升視點W提高預測性的方法。

【發(fā)明內(nèi)容】
陽0化]本發(fā)明的目的是為了解決現(xiàn)有的程序自動性能預測方法存在難W在保證預測精 度的同時確定最大預測性的問題，而提出一種用于程序自動性能預測的視點提升方法。
[0006] 一種用于程序自動性能預測的視點提升方法，所述方法通過W下步驟實現(xiàn)：
[0007] 步驟一、定義基本塊N執(zhí)行次數(shù)的視點V，則利用二元組表示的基本塊頻率為巧y， Bv,w);其中，Ey表示視點V的實際運行次數(shù)，B表示在視點V中預測到基本塊N的頻率；所 述視點V即為計算循環(huán)基本塊執(zhí)行次數(shù)的指令的插入點；
[000引步驟二、對二元組表示的基本塊頻率巧y，Bv,J中的視點V的實際運行次數(shù)Ey的量 進行提升操作，且提升后的視點V滿月
竄中，5表示支配關(guān)系，即在視點V能 夠獲取直接依賴的％start、％end和％strideS個變量的值；
[0009] 步驟S、確定二元組表示的基本塊頻率巧y，Bv,w)中的視點V中預測到基本塊N的 頻率Bv,w的量；
[0010] 步驟四、令視點V的實際運行次數(shù)Ey與視點V中預測到基本塊N的頻率B的乘 積定義為基本塊N的頻率町，即町二EvXBv,w;
[0011] 步驟五、每實際運行一次視點V都得到實際運行次數(shù)Ey，相應(yīng)地，將視點V中預 測到基本塊N的頻率Bv,w的指令插入視點V，因此視點V在一次運行中總的基本塊頻率為
[0012] 本發(fā)明的有益效果為：
[0013] 本發(fā)明通過將基本塊次數(shù)插入Preheader中，W提升精度，并通過使視點V獲取直 接依賴的％start、％end和％Strides個變量的值來提升視點，從而彌補因為提升精度 而導致的預測性降低的缺點，進而通過提高的預測性使后期代碼刪減操作，全局計數(shù)器數(shù) 組的讀寫散布在每個基本塊內(nèi)，從而阻斷了刪減過程。實現(xiàn)在保證精度的同時確定合適的 插入位置，結(jié)合靜態(tài)分支概率提高預測性。且預測精確率達到92-95%。
【附圖說明】
[0014] 圖1為本發(fā)明的流程圖；
[0015] 圖2為本發(fā)明實施例1中不同視點包含不同程度的動態(tài)性靜態(tài)性比例；
[0016] 圖3為本發(fā)明實施例1設(shè)及的不同視點循環(huán)嵌套示意圖；
【具體實施方式】
【具體實施方式】 [0017] 一：
[0018] 本實施方式的用于程序自動性能預測的視點提升方法，結(jié)合圖1所示，所述方法 通過W下步驟實現(xiàn)：
[0019] 步驟一、定義基本塊N執(zhí)行次數(shù)的視點V，則利用二元組表示的基本塊頻率為巧y， Bv,w);其中，Ey表示視點V的實際運行次數(shù)，B表示在視點V中預測到基本塊N的頻率；所 述視點V即為計算循環(huán)基本塊執(zhí)行次數(shù)的指令的插入點；
[0020] 步驟二、對二元組表示的基本塊頻率巧y，Bv,w)中的視點V的實際運行次數(shù)Ev的 量進行提升操作，且提升后的視點V滿足
其中，5表示支配關(guān)系，即在視點 V能夠獲取直接依賴的％start、％end和％strideS個變量的值；
[0021] 步驟S、確定二元組表示的基本塊頻率巧y，Bv,w)中的視點V中預測到基本塊N的 頻率Bv,w的量；
[0022] 步驟四、令視點V的實際運行次數(shù)Ey與視點V中預測到基本塊N的頻率B的乘 積定義為基本塊N的頻率町，即町二EvXBv,w;
[0023] 步驟五、隨著程序的運行，每實際運行一次視點V都得到實際運行次數(shù)Ey，相應(yīng)地， 將視點V中預測到基本塊N的頻率Bv,w的指令插入視點V，因此視點V在一次運行中總的基 本塊頻率為
運里特別選用E表示視點V的動態(tài)基本塊頻率，因為它的 值等于EdgeProfiling的結(jié)果。
[0024] 與LLVM的EdgeProfiling方法，將基本塊次數(shù)插入Preheader中，提升了精度卻 降低了預測性。不同的是，本發(fā)明方法能夠增加預測性，好處是便于后期刪減代碼，全局計 數(shù)器數(shù)組的讀寫散布在每個基本塊內(nèi)，從而阻斷了刪減過程，因此提升視點是必要的。 陽0巧]【具體實施方式】二：
[00%] 與【具體實施方式】一不同的是，本實施方式的用于程序自動性能預測的視點提升方 法，步驟一所述的二元組表示的基本塊頻率巧y，Bv,j的取值為：
[0027] (1)當選擇基本塊本身作為視點時，二元組表示的基本塊頻率表示為巧w，l);
[0028] (2)對于循環(huán)中的基本塊，當選擇循環(huán)的Preheader作為視點時，基本塊頻率表示 關(guān)
其中，％tc表示靜態(tài)分析循環(huán)次數(shù)，
是編譯框架LLVM提供 的靜態(tài)分支預測的概率；
[0029] (3)對于非循環(huán)的基本塊，沿用編譯框架LLVM基本塊頻率，非循環(huán)的基本塊的視 點仍然為函數(shù)入口基本塊e，即：巧。，Bc,n)。
【具體實施方式】 [0030] =:
[0031] 與【具體實施方式】一或二不同的是，本實施方式的用于程序自動性能預測的視點提 升方法，步驟二所述對二元組表示的基本塊頻率巧y，Bv,J中的視點V的實際運行次數(shù)Ey的 量進行提升操作的過程：
[0032] 步驟二一、選擇循環(huán)的基本塊次數(shù)的直接依賴的指令，所述的直接依賴的指令包 括程序執(zhí)行時存取指令、交換指令、運算指令中的一種；
[0033] 步驟二二、將步驟二一選擇的直接依賴的指令中只被使用一次的操作數(shù)賦值給目 標集合Targets;直接依賴的指令即是生成Loop化ipCount時插入的指令，也就是需要被提 升的指令；
[0034] 步驟二=、將步驟步驟二一選擇的指令中多次使用的操作數(shù)的父循環(huán)ParentLoop 的視點賦值給Depends集合；
[0035] 步驟二四、若Depends集合為空，則返回循環(huán)所在的基本塊，并進行步驟二五的操 作；否則，進行尋找視點V的操作；
[0036] 步驟二五、遍歷目標集合Targets中的指令，將指令插入到初始視點P0S的終止指 令Terminator之前；
[0037] 步驟二六、返回初始視點P0S，即完成視點V的提升。
【具體實施方式】 [0038] 四：
[0039] 與【具體實施方式】=不同的是，本實施方式的用于程序自動性能預測的視點提升方 法，步驟二四所述尋找視點V的操作的過程為，
[0040] 遍歷Depends集合中的基本塊N，若初始視點pos能夠支配基本塊N，則視點pos 重新賦值為基本快N;否則，初始視點pos仍為原值。
【具體實施方式】 [0041] 五：
[0042] 與【具體實施方式】一、二或四不同的是，本實施方式的用于程序自動性能預測的視 點提升方法，步驟=所述確定二元組表示的基本塊頻率巧y，Bv,W)中的視點V中預測到基本 塊N的頻率Bv,w的量的過程為，
[0043] 當選擇的視點V與父循環(huán)在同一循環(huán)層時，確定視點V中預測到基本塊N的頻率 Bv,w表示為：Ey，（V-m) %tc;其中，m表示父循環(huán)所在的循環(huán)層；