利用组合分析方法与机器学习融合技术实现快速准确的CPU性能建模

《IEEE Micro》：Fast and Accurate CPU Performance Modeling with Compositional Analytical–ML Fusion

　　

摘要：

像gem5这样的周期级模拟器在微架构设计中被广泛使用，但在大规模设计空间探索中速度却非常慢。我们提出了Concorde，这是一种用于快速准确地学习微架构性能模型的新方法。与现有的模拟器和学习方法不同，Concorde使用简单的分析模型来计算每个组件的性能界限，生成紧凑的分布数据，然后通过机器学习模型将这些数据映射到程序行为上。Concorde的速度比谷歌的周期级模拟器快五个数量级以上，在SPEC2017、开源测试以及谷歌的专有基准测试中，其平均每指令周期（CPI）预测误差约为2%。Concorde已经在谷歌内部推动了大规模架构探索，为CPU设计项目做出了贡献。这使得以前无法进行的分析成为可能：在大约一小时内，我们首次对微架构组件进行了细粒度的性能归因分析，而这需要大约1.5亿次CPI评估。同样的组合式分析-机器学习方法不仅适用于CPU，还表明了一种构建快速、可解释的性能模型的更广泛途径。