面向非多媒体程序的SIMD向量化方法及优化技术研究的中期报告.docxVIP

面向非多媒体程序的SIMD向量化方法及优化技术研究的中期报告

中期报告

1.研究背景

在计算机科学中，SIMD（单指令流多数据流）是一种处理单元并行化的技术。SIMD处理器通过向量化运算，可以一次处理多个数据。与传统的CPU通过逐个操作单独的数据相比，SIMD处理器的吞吐量更高，在处理涉及大量数据的应用程序时具有更好的性能表现。

然而，大多数优化技术和工具都难以对非多媒体程序实现SIMD优化。传统的SIMD优化方法依赖于指令流中存在的数据并行性，而这些并行性在非多媒体程序中往往不易发现，因此实现SIMD向量化仍然是一个非常有挑战性的问题。

2.研究目的

针对上述问题，本文旨在研究面向非多媒体程序的SIMD向量化方法及优化技术，以提高非多媒体程序的性能表现。具体而言，本研究的目标是：

（1）研究适用于非多媒体程序的SIMD向量化方法，提出有效的向量化策略。

（2）实现SIMD向量化的编译器，优化超标量指令调度（VLIW）和动态指令调度（DISP）等相关技术。

（3）开发测试用例，验证所提出的方法和工具的有效性和可行性。

（4）完成针对非多媒体程序的SIMD优化的综合性评估，将得出有关性能提升和可扩展性的定量结果。

3.研究内容

（1）研究适用于非多媒体程序的SIMD向量化方法

本研究将从四个方面研究适用于非多媒体程序的SIMD向量化方法：

a.利用可用性分析技术，推导出程序中潜在的数据并行性和最优向量长度。

b.提出合适的向量化策略，并通过程序转换技术将代码重构为向量化形式。

c.确定合适的数据布局方式，使得向量寄存器可以同时处理多个数据。

d.考虑可扩展性问题，提出方法使得代码可以运行在不同大小向量寄存器上。

（2）实现SIMD向量化的编译器

本研究将实现一个支持SIMD向量化的编译器。编译器的实现将包括以下技术：

a.识别程序中的数据并行性，并计算最优向量长度。

b.实现向量化的代码转换技术，并将向量化代码生成目标代码。

c.对超标量指令调度（VLIW）和动态指令调度（DISP）等相关技术进行优化，使得生成的代码能够充分利用现代CPU和GPU架构的并行处理能力。

（3）开发测试用例

本研究将开发一系列测试用例，用于验证所提出的方法和工具的有效性和可行性。测试用例包括基准程序和实际应用程序。

（4）针对非多媒体程序的SIMD优化的综合性评估

本研究将进行针对非多媒体程序的SIMD优化的综合性评估。评估将包括以下方面：

a.确定优化前后性能，评估性能提升的程度。

b.考察所提出的方法对程序可扩展性的影响。

c.比较所提出的方法和工具与现有工具的性能表现。

4.预期成果

本研究预期的成果包括：

（1）针对非多媒体程序的SIMD向量化方法和优化技术。

（2）实现SIMD向量化的编译器。

（3）针对非多媒体程序的SIMD优化的测试用例。

（4）针对非多媒体程序的SIMD优化的综合性评估。

（5）相关研究论文和报告。

5.进度计划

本研究的进度计划如下：

（1）第一阶段：研究SIMD向量化方法和编译器前端技术，完成编译器代码生成部分设计与实现。时间：4个月。

（2）第二阶段：研究高级优化技术，包括超标量指令调度（VLIW）和动态指令调度（DISP）等相关技术，完成编译器后端技术设计与实现。时间：5个月。

（3）第三阶段：开发测试用例，进行性能和可扩展性测试，完成综合性评估。时间：3个月。

（4）第四阶段：整理分析结果，撰写论文和报告。时间：2个月。

6.参考文献

[1]HuangG,ChenG,ZhengW,etal.TowardsSIMDvectorizationfornon-multimediaworkloads:survey,challengesandopportunities[J].FrontiersofComputerScience,2018,12(5):991-1005.

[2]ArnalF,WuS,Mellor-CrummeyJM.SVEandAVX-512vectorizationofopenmpworkloads[C]//IEEEInternationalSymposiumonPerformanceAnalysisofSystemsandSoftware(ISPASS).IEEE,2019:37-47.

[3]ZhengW,ChenG,XieH,etal.Chaining-awarevectorizationofnestedloopsforSIMD-enabledCPUs[J].ACMTransactionsonArchitectureandCodeO