基于机器学习的编译优化适应性研究-计算机系统结构专业论文.docxVIP

摘要编译器的开发者所面对的各种编译优化常常都是非常复杂的，甚至是NP问题。所 摘要 编译器的开发者所面对的各种编译优化常常都是非常复杂的，甚至是NP问题。所 以编译器开发者会从复杂问题中抽取出多个属性来构建模型去描述目标优化，以期得到 近优解。但是在实际开发中，所构建的模型可能没有全面准确描述目标优化，或者构建 的模型对需要编译的目标程序描述不够合理而无法得到期望的性能，这需要我们有针对 性地修改目标优化。另一方面，编译器所面向的硬件结构是非常复杂的，并且发展迅速。 当硬件结构发生改变，编译优化也需要进行相应调整。这些都对编译优化的调优提出了 多方面要求，编译优化适应性研究的出发点是如何让优化的调试过程自动进行，在有限 的时间内寻找到更为合适的优化配置，包括优化选项的组合，优化模型的参数调整等。 迭代编译和机器学习是常用的两种方法，本文中的研究都是基于机器学习展开，主要贡 献如下： 1． 提出基于静态分析的快速机器学习，这是一种基于遗传算法的机器学习。机器 学习通常都是非常耗时的过程，如果采用程序的运行时间作为遗传算法中的适应值，对 于CPU2000这样的大型程序来说，机器学习将花费好几天的时问。而基于静态分析的快 速机器学习的主要思想是g在编译过程中收集优化生成的静态信息来作为机器学习的适 应值；然后通过限定静态分析的热点区域，进一步减少静态分析的时间和空间开销，同 时保证一定的精确度。最后，可以进一步添加部分动态时的信息，以增加机器学习的能 力。 2． 根据基于静态分析的快速机器学习思想，本文就寄存器分配提出了两种快速机 器学习方法：溢出代码敏感的机器学习和溢出代码与热函数敏感的机器学习。溢出代码 敏感的机器学习是将寄存器分配中产生的溢出代码作为活跃区问的权值函数的适应值， 能大大降低时间开销，同时采用热文件来限定机器学习的范围，使其能较好地突出目标 优化的作用。而溢出代码与热函数敏感的机器学习，其适应值为溢出代码加上profiling 信息，这能更为准确描述溢出代码在程序中的分布和溢出代码对程序的影响。溢出代码 与热函数敏感的机器学习仍然仅需要较少的时问开销，同时此机器学习被限定在热函数 中，不但进一步缩小学习范围而且使学习热点更突出。 3． 介绍如何基于ORC编译器构建溢出代码敏感的机器学习和溢出代码与热函数 敏感的机器学习平台。并就这两种方法针对CPU2000这样的大型程序对ORC编译器中 的寄存器分配进行了学习，其实验数据分析表明了这两种学习方法的有效性。 4． 为了衡量不同基于静态分析的机器学习，我们提出了机器学习衡量模型eflea。 主要考虑两方面因素：适应值的变化和相应性能的变化。并就CPU2000的机器学习结果 进行了衡量和分析。 5． 为进一步弄清参与机器学习的各个优化因素在编译优化中的重要性和相互之间 的关系，本文提出了基于粗糙集理论的机器学习信息挖掘。研究的目标为机器学习中生 成的中问文件，其包含作为遗传基因的表达式及其相应的适应值。借助粗糙集理论中的 摘要属性相对约简与求核，我们可以找到可被消除的因素和作为“核”的最重要的因素。通 摘要 属性相对约简与求核，我们可以找到可被消除的因素和作为“核”的最重要的因素。通 过计算各个因素的相对重要性，可以量化各个因素的在权值函数中的作用，这将对进一 步的编译优化调试提供有力支持。 综上，本文提出了基于静态分析的快速机器学习：并对寄存器分配提出了溢出代码 敏感的机器学习和溢出代码与热函数敏感的机器学习；然后通过e疖ect模型和基于粗糙 集理论的信息挖掘来探求为什么机器学习得到的结果能给编译优化带来好处。我期望通 过这个“知其然，知其所以然”的过程，让机器学习为编译优化适应性研究带来更多的 信息，为编译器开发者构建更好的优化带来更多的机会。 关键词：编译优化适应性，编译优化，寄存器分配，快速机器学习，机器学习衡量 模型，粗糙集 Ⅱ Research Research 011 CompilerAdapdon with Machine Learning Hu Zhangiin(ComputerArchitecture) Directed By Zhang Zhaoqing Compiler writers always face the challenge ofNP—hard problem such as register allocation and instruction scheduling．To find all effective and inexpensive solution is a difiqcult work． While solutions are expected to interact with other optimizations