[发明专利]基于遗传算法的CPU基准测试程序集构造方法

说明书

本发明公开了一种基于遗传算法的CPU基准测试程序集构造方法，可针对目标应用程序生成一套基准测试程序集。包括以下步骤：应用程序按固定指令数切片并按片段提取微架构无关特征；根据程序片段微架构无关特征的相似性对程序片段进行聚类，并提取典型片段；根据典型片段的特征值范围设计模板，使用遗传算法对典型片段进行模板匹配，确定模板类型及迭代次数；使用分组顺序拼接法将选定模板拼接成基准测试程序，最终构造出基准测试程序集。本发明通过程序片段的相似性分析去除了程序中特征冗余的片段，通过构造模板库，采用遗传算法获得最优模板组合，使合成的测试程序具有更高的代表性，有效缩减了基准测试程序的执行时间。

技术领域

本发明属于CPU测试程序合成技术领域，具体地涉及一种基于遗传算法的CPU基准测试程序集构造方法。

背景技术

在CPU设计的过程中，设计人员通常需要在仿真平台上运行基准测试程序，评估自己的设计方案，根据测试结果分析硬件性能瓶颈，改进CPU微架构设计方案并重新运行测试程序，经过多次迭代，最终达到设计需求和规格说明再进行后续设计、流片。唯一稳定、可靠的性能度量是真实应用的执行时间，因此每一个应用程序本身就是一个基准测试程序。然而真实应用的数量无穷尽，为了在可接受的时间内获得评估结果，只能用少量的测试程序代替大量的真实应用对CPU进行测试。这就要求测试程序具有很高的代表性，一种方法是从应用程序中分阶段地提取负载特征，基于其中的典型特征模式，设计具有相似特征但包含指令数更少的测试程序，这个过程也叫做测试程序合成。最终构造一个基准测试程序集合（测试集），使得测试集可以代表大量真实应用。

测试程序合成方法的重点就在于，要确保合成的测试程序与原始应用具有相似的微架构无关负载特征，这样测试程序的代表性不会受到CPU微架构的影响。然而，当前的基准测试程序合成方法中，有的特征信息包含程序执行过程中的部分微结构相关特征，即每周期执行的指令数、分支指令预测错误率、缓存访问的缺失率等。针对这类负载特征合成测试程序，由于含有微架构相关特征，导致合成的基准测试程序只能代表原始应用程序在特定微架构上的负载特性，跨微架构时对真实应用并不具备很好的代表性。

另一个重点在于，多个微架构无关负载特征之间具有一定耦合度，简单地逐个特征设计，然后叠加特征组合成测试程序并不现实。当前的技术中，大多采用先设计模板库，然后以应用程序中的典型负载特征作为目标，从模板库中挑选所需的模板类型与数量，合成测试程序。其中，模板为某几项负载特征较为突出的小段代码。然而，如果模板类型不够丰富或挑选模板的方法不够灵活、精确，则难以合成出与原始应用程序具有相似特征的测试程序，进而影响测试集的代表性。

此外，当前的测试程序合成技术在缩减测试程序指令数上仍有提升空间，最大程度地精简测试程序的规模更有助于加快仿真评估，进而缩短CPU设计周期。

发明内容

为了解决上述技术问题，本发明目的是：提供了一种基于遗传算法的CPU基准测试程序集构造方法，该方法与微架构无关，能提高测试程序代表性，对所有程序片段进行聚类分析，只选取典型片段作为合成目标，有效缩减了测试集规模。

本发明的技术方案是：

一种基于遗传算法的CPU基准测试程序集构造方法，包括如下步骤：

S01：按照固定的动态指令数对应用程序进行切片，分别统计每个片段的微架构无关特征；

S02：根据微架构无关特征，将应用程序片段进行聚类，提取每类的中心片段作为该应用程序的典型片段；

S03：以典型片段的微架构无关特征值作为基础，设计生成模板程序，编译模板程序并统计每个模板程序的微架构无关特征；

S04：以典型片段为目标，使用遗传算法对模板程序进行选取，包括模板程序类型与迭代次数，使得所有选取的模板程序的各项特征值总和分别匹配目标片段的各项特征值；