[发明专利]一种基于机器学习的轻量级缓存划分方法及装置

权利要求书

1.一种基于机器学习的轻量级缓存划分方法，其特征在于，所述基于机器学习的轻量级缓存划分方法，包括：

构建并训练用于区分强干扰程序和非强干扰程序的第一支持向量机模型，以及构建并训练用于区分缓存敏感程序和缓存不敏感程序的第二支持向量机模型；

采用训练好的第一支持向量机模型和第二支持向量机模型对工作集中的程序进行分类；

以强干扰程序、缓存敏感程序和缓存不敏感程序三类程序各自占用的缓存路数为一个缓存划分方案，以工作集中所有应用程序的平均加权加速比作为缓存划分方案与系统吞吐量之间关系的黑盒函数，采用贝叶斯优化来预测最优的缓存划分方案。

2.根据权利要求1所述的基于机器学习的轻量级缓存划分方法，其特征在于，所述黑盒函数f(x)表示为：

其中，IPC_{shared_i}是第i个程序与其他程序并行运行时的每时钟周期指令数，IPC_{alone_i}是第i个程序单独运行时的IPC，n是工作集中的程序数。

3.根据权利要求1所述的基于机器学习的轻量级缓存划分方法，其特征在于，所述采用贝叶斯优化来预测最优的缓存划分方案，包括：

初始化三个缓存划分方案，并计算对应的黑盒函数值，开始迭代；

根据已有的缓存划分方案和对应的黑盒函数值更新高斯过程模型；

采用高斯过程增益期望作为采集函数，生成下一个要探索采样的缓存划分方案，并计算对应的黑盒函数值；

在达到预设的迭代终止条件时，终止迭代，输出最终的缓存划分方案，否则返回继续进行迭代。

4.根据权利要求3所述的基于机器学习的轻量级缓存划分方法，其特征在于，所述初始化三个缓存划分方案，包括：

在缓存路数为M时，对于强干扰程序、缓存敏感程序和缓存不敏感程序三类程序，按照一类程序占用M-2路缓存，另外两类分别占用1路缓存，生成三个缓存划分方案。

5.根据权利要求3所述的基于机器学习的轻量级缓存划分方法，其特征在于，所述增益期望表示为：

其中，m(x)和σ(x)分别是高斯过程关于x的估计平均值和估计均方差，是当前最优值，ζ是在已采样与未采样之间权衡的常数向量；此外，CDF(z)和PDF(z)分别是z的标准正态累积分布函数和概率密度函数。

6.一种基于机器学习的轻量级缓存划分装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意一项所述方法的步骤。