[发明专利]基于OpenCL的优化分类模型的建立、优化分类方法及系统

说明书

本发明属于源码转图与特征学习技术领域，公开了一种基于OpenCL的优化分类模型的建立、优化分类方法及系统。建模方法包括：OpenCL Kernel程序预处理，对预处理过后的程序进行Cl2Graph的源码转图操作，之后使用创新的关系图神经网络(RGNN)学习代码图的有效表示，最终进入决策网络完成异构设备映射以及线程粗化因子的启发式优化任务。本发明在通过转图的过程，丰富了代码的语法语义关系，保留了代码的特征，另一方面通过神经网络有效的对边进行建模，学习了代码的有效特征，最终指导OpenCL程序的启发式优化任务，使其运行效率大大提升，获得更高的加速比。

技术领域

本发明属于源码转图与特征学习技术领域，具体涉及一种基于OpenCL的优化分类模型的建立、优化分类方法及系统。

背景技术

近年来，随着机器学习、图像处理、无人驾驶等技术的深入研究，人们对机器运算速度的要求变得越来越迫切。OpenCL是面向由CPU、GPU和其它处理器组合构成的计算机进行编程的行业标准框架。OpenCL是一个通用的由多家公司和组织共同发起的多CPU/GPU/其他芯片异构盘算(heterogeneous) 的标准，它是跨平台的。旨在充分利用GPU壮大的并行算盘能力以及与CPU 的协同任务，更高效的利用硬件高效的完成大规模的算盘。

OpenCL框架实现其编写的程序在异构设备上透明运行，例如在GPU或 CPU上运行。解放了计算机算力，促进大数据的发展。但随着运行环境及设备的变化，其异构设备映射会发生改变，如何确定最佳映射设备成为近些年的研究热点。另外在确定最佳设备后，程序的并发执行能够有效提高运行效率，但过多的分配进程反而会造成上写文切换以及资源的开销。那么给定一程序如何最佳分配线程数，以提高程序的执行效率也是一大研究热点。

传统的机器学习方法通过人工提取代码特征，但该过程耗时耗力且无法实现端到端的启发式优化，例如Grewe等人手动提取程序全局内存数、本地内存访问数等参数作为程序的特征，利用决策树算法完成异构映射任务。为了完成线程粗化因子预测任务，Magni等人手动提取了程序的分支扩散和指令混合等多种程序信息，并使用主成分分析技术得到前7个主成分作为程序特征，这些统计方式耗费了巨大的人力且过程繁琐。近些年来深度学习方法主要把代码当成文本去处理，首先将文本序列化编码，然后使用LSTM网络学习程序特征，但该方法仅考虑的代码的顺序关系，并不能有效的学习代码结构。

发明内容

本发明的目的在于提供一种基于OpenCL的优化分类模型的建立、优化分类方法及系统，用以解决现有技术中OpenCL程序在进行异构设备映射任务时分配不合理以及线程粗化因子预测任务中分配线程不合理的问题。

为了实现上述任务，本发明采用以下技术方案：

基于OpenCL的优化分类模型的建立方法，包括如下步骤：

步骤1：获取源代码数据集和源代码类别集，所述的源代码数据集包括多个源代码，所述的源代码类别集包括源代码数据集中所有源代码的类别，根据源代码数据集建立AST图集和IR图集，其中，根据源代码数据集中任意一个源代码生成多张AST图和多张IR图满足如下子步骤：

步骤1.1：将源代码进行预处理，获得标准化源代码；

步骤1.2：获取标准化源代码中的主函数，对标准化源代码中的主函数进行AST解析，获得标准化源代码的AST树，对标准化源代码中的主函数进行 IR转换，获得中间指令集；

步骤1.3：对步骤1.2得到的AST树根据深度优先遍历添加AST边，生成多张AST图，其中，每张AST图包含一种AST边且不同AST图包含的AST 边的种类不同，所述的AST边的种类包括：Child边、Next_Token边、Guarded 边、Jump边和Compute_From边；