刘慧^1,2,3, 徐金龙², 赵荣彩², 姚金阳²

¹(河南师范大学计算机与信息工程学院 河南新乡 453007); ²(数学工程与先进计算国家重点实验室(战略支援部队信息工程大学) 郑州 450002); ³(河南省高校“计算智能与数据挖掘”工程技术研究中心(河南师范大学) 河南新乡 453007) (liuhui806@126.com)

出版日期: 2019-09-10


基金资助:国家重点研发计划项目(2016YFB0200503)；河南师范大学青年科学基金项目(2015QK21)；河南省高等学校重点科研项目(20A520018)

Compiler Optimization Sequence Selection Method Based on Learning Model

Liu Hui^1,2,3, Xu Jinlong², Zhao Rongcai², Yao Jinyang²

¹(College of Computer and Information Engineering, Henan Normal University, Xinxiang, Henan 453007); ²(State Key Laboratory of Mathematical Engineering and Advanced Computing(Strategic Support Force Information Engineering University), Zhengzhou 450002); ³(Engineering Technology Research Center for Computing Intelligence＆Data Mining in Henan Province (Henan Normal University), Xinxiang, Henan 453007)

Online: 2019-09-10


Supported by:This work was supported by the National Key Research and Development Program of China (2016YFB0200503), the Youth Science Fund Project of Henan Normal University (2015QK21), and the Key Scientific Research Project of Henan Province Colleges (20A520018).

摘要/Abstract

摘要： 针对新的应用程序和目标平台通常需要使用编译器进行程序优化顺序选择，以提升目标代码性能.迭代编译可使优化顺序选择过程自动进行，在允许的时间空间范围内尽可能多地执行程序的不同版本，但该方法是一种机械式搜索，缺少对先前获得经验的利用，需要较大的执行开销.因此，需要能自动预测变换后目标程序性能而不必实际运行程序的优化编译方法.提出一种编译器优化顺序选择方法：Features ANN.该方法首先采用动静结合的程序特征表示技术，对程序特征进行抽取；然后基于程序特征对编译优化空间进行搜索，找到当前程序版本的最佳优化；最后，由程序特征和最佳优化形成训练样本，基于人工神经网络(artificial neural network， ANN)形成监督学习模型，对新程序的最佳编译优化顺序进行预测.实验结果表明，Features ANN与2种现有迭代编译方法GraphDSE和ClusterDSE比较时，在2种平台上相对于编译器标准优化级别-O3分别获得1.49x，1.25x，1.38x和1.41x，1.16x，1.22x的执行时间加速比.此外，与现有非迭代编译方法相比时，Features ANN也获得了有效的性能提升.

参考文献

相关文章 15

[1]	张永, 陈蓉蓉, 张晶. 基于交叉熵的安全Tri-training算法[J]. 计算机研究与发展, 2021, 58(1): 60-69.
[2]	刘艳芳, 李文斌, 高阳. 基于自适应邻域嵌入的无监督特征选择算法[J]. 计算机研究与发展, 2020, 57(8): 1639-1649.
[3]	王桂芝, 吕光宏, 贾吾财, 贾创辉, 张建申. 机器学习在SDN路由优化中的应用研究综述[J]. 计算机研究与发展, 2020, 57(4): 688-698.
[4]	王婷, 王娜, 崔运鹏, 李欢. 基于半监督学习的无线网络攻击行为检测优化方法[J]. 计算机研究与发展, 2020, 57(4): 791-802.
[5]	任婕,侯博建,姜远. 多示例学习下的深度森林架构[J]. 计算机研究与发展, 2019, 56(8): 1670-1676.
[6]	张皓,吴建鑫. 基于深度特征的无监督图像检索研究综述[J]. 计算机研究与发展, 2018, 55(9): 1829-1842.
[7]	李智恒,桂颖溢,杨志豪,林鸿飞,王健. 基于生物医学文献的化学物质致病关系抽取[J]. 计算机研究与发展, 2018, 55(1): 198-206.
[8]	朱快快,田青,陈松灿. 结合显性与隐性空间光滑的高效二维图像判别特征抽取[J]. 计算机研究与发展, 2017, 54(5): 1057-1066.
[9]	许勐璠,李兴华,刘海,钟成,马建峰. 基于半监督学习和信息增益率的入侵检测方案[J]. 计算机研究与发展, 2017, 54(10): 2255-2267.
[10]	周瑜,贺建军,顾宏,张俊星. 一种基于最大值损失函数的快速偏标记学习算法[J]. 计算机研究与发展, 2016, 53(5): 1053-1062.
[11]	李志杰,李元香,王峰,何国良,匡立. 面向大数据分析的在线学习算法综述[J]. 计算机研究与发展, 2015, 52(8): 1707-1721.
[12]	刘钰峰,李仁发. 异构信息网络上基于图正则化的半监督学习[J]. 计算机研究与发展, 2015, 52(3): 606-613.
[13]	任亚峰,姬东鸿,张红斌,尹兰. 基于PU学习算法的虚假评论识别研究[J]. 计算机研究与发展, 2015, 52(3): 639-648.
[14]	刘金宝，盛达魁，张铭. 微博自媒体账号识别研究[J]. 计算机研究与发展, 2015, 52(11): 2527-2534.
[15]	张焕龙,胡士强,杨国胜,. 基于外观模型学习的视频目标跟踪方法综述[J]. 计算机研究与发展, 2015, 52(1): 177-190.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4016