[发明专利]一种降低处理器软错误率的方法和系统

权利要求书

1.一种降低处理器软错误率的方法，其特征在于，包括：

预测模型构建步骤，使用机器学习的方法构建预测模型，来预测可以低开销地降低处理器软错误率的处理器最佳配置；

识别程序片段步骤，在程序运行过程中，将程序分成若干连续的程序片段；

统计特征获取步骤，在所述程序片段初始运行的一小段时间内，获取所述程序片段的统计特征；

最佳配置预测步骤，将所述程序片段的统计特征输入所述预测模型，预测出所述程序片段相应的处理器最佳配置作为预测结果；

调节步骤，根据所述预测结果，调节处理器部件配置，从而在保持或者提高性能功耗比的情况下，降低处理器的软错误率。

2.如权利要求1所述的降低处理器软错误率的方法，其特征在于，统计特征分为第一类统计特征和第二类统计特征；其中，所述第一类特征是由处理器计数器统计获得的，所述第二类特征是针对处理器部件的统计量。

3.如权利要求2所述的降低处理器软错误率的方法，其特征在于，所述第一类统计特征为：队列的平均占用率、处理器功能部件的个数、寄存器的平均使用率、cache访问次数和缺失率、分支预测的访问次数和缺失率、每个时钟周期执行的指令数；所述第二类统计特征为所述处理器部件的使用情况。

4.如权利要求1所述的降低处理器软错误率的方法，其特征在于，所述预测模型构建步骤进一步包括：

在统计特征空间X和处理器最佳配置空间Y之间，构建预测模型：f:X→Y；其中，在统计特征向量x(x₁,x₂,...,x_i,...,x_n)条件下，满足maxP(y_a|x)的发生概率最大的处理器配置向量y(y₁,y₂,...,y_j,...,y_m)为处理器最佳配置；其中，每一种处理器部件配置y_a对于统计特征向量是条件独立的，maxP(y_a|x)的y_a的值是处理器部件配置y_a的最佳配置，i、j、n、m为正整数。

5.如权利要求4所述的降低处理器软错误率的方法，其特征在于，所述处理器部件配置参数包括：取指宽度、ROB大小、LSQ大小、寄存器个数、寄存器读端口个数、寄存器写端口个数、BTB大小、L1Icache大小、L1Dcache大小、L2Dcache大小。

6.如权利要求2所述的降低处理器软错误率的方法，其特征在于，所述第二类特征采用直方图的方式统计。

7.如权利要求2所述的降低处理器软错误率的方法，其特征在于，所述第二类统计特征针对的处理器部件包括：ALU、队列、寄存器、cache、分支预测器。

8.一种降低处理器软错误率的系统，其特征在于，包括：

预测模型构建模块，用于使用机器学习的方法构建预测模型，来预测可以低开销地降低处理器软错误率的处理器最佳配置；

识别程序片段模块，在程序运行过程中，将程序分成若干连续的程序片段；

统计特征获取模块，在所述程序片段初始运行的一小段时间内，获取所述程序片段的统计特征；

最佳配置预测模块，将所述程序片段的统计特征输入所述预测模型，预测出所述程序片段相应的处理器最佳配置作为预测结果；

调节模块，根据所述预测结果，调节处理器部件配置，从而在保持或者提高性能功耗比的情况下，降低处理器的软错误率。

9.如权利要求8所述的降低处理器软错误率的系统，其特征在于，统计特征分为第一类统计特征和第二类统计特征；其中，所述第一类特征是由处理器计数器统计获得的，所述第二类特征是针对处理器部件的统计量。

10.如权利要求9所述的降低处理器软错误率的系统，其特征在于，所述第一类统计特征为：队列的平均占用率、处理器功能部件的个数、寄存器的平均使用率、cache访问次数和缺失率、分支预测的访问次数和缺失率、每个时钟周期执行的指令数；所述第二类统计特征为所述处理器部件的使用情况。