论文部分内容阅读
多核处理器不但在科学研究领域成为热门主题,在商业市场上也呈现出蓬勃发展的趋势。由于多核处理器与单核处理器在体系结构分析上存在一定的差异性,特别是在处理器的设计过程中,如何从庞大设计空间中快速找出满足条件的设计结构,成为了世界研究者们关心的问题。研究者们利用软件模拟技术模拟不同配置下处理器的性能功耗。为了减少模拟时长,先后采用统计采样和统计模拟等减少指令的加速模拟方法,并没有从根本上解决模拟过程总时间太长的问题。先建立模型后采用预测的方法,即预测模型,能够有效降低模拟器模拟多核配置的次数,比其他加速模拟技术更加优越。本文运用多核模拟器模拟部分训练配置,利用神经网络建立预测模型,最后通过MATLAB预测未知配置参数处理器的执行性能与功耗值,以便指导多核处理器的设计。整个过程主要使用了SESC模拟器与MATLAB工具,实验结果显示神经网络模型根据多核设计参数,能够较好的预测不同负载在不同配置下的执行性能和功耗值。主要研究内容如下：1讨论了神经元与RBF神经网络模型。分析了神经元的数学模型,学习了人工神经元的信息处理流程。详细讲解了BP神经网络模型和RBF神经网络模型,并列出了RBF神经网络的详细建立过程。2通过SESC多核模拟器的模拟结果,在MATLAB上建立BP神经网络预测模型和RBF神经网络预测模型。从微体系结构配置参数中选出影响结果较大的八个重要参数,用拉丁超立方体抽样随机抽取训练数据,利用抽取的配置参数组合在SESC多核模拟器模拟运行SPLASH-2CPU基准测试程序ftt、radix、fmm,获取各自对应的性能值和功耗值。通过测试样本的设计参数和模拟运行的结果,在MATLAB上反复训练后,分别建立BP神经网络预测模型和RBF神经网络预测模型。3比较分析BP神经网络预测模型和RBF神经网络预测模型的预测精度和可靠性。为了验证神经网络预测模型的可行性,重新从设计空间中抽取配置参数样本,分别用软件模拟与预测模型预测,比较两者的性能功耗结果。在预测模型的训练时间开销上,RBF神经网络比BP神经网络要快2.9倍,前者收敛速度显然比后者收敛速度要快的多。在预测模型预测精度的比较上,RBF神经网络预测精度略高于BP神经网络,主要是由于网络训练过程中设定的参数目标均方误差相同的原因,降低了两种网络预测精度的差异性。整体上,两种神经网络都能较好的预测不同负载的执行性能和功耗值,验证了预测模型的可行性。