CN112506565A - 处理器微体系结构事件的重要性确定方法、介质和设备 - Google Patents
处理器微体系结构事件的重要性确定方法、介质和设备 Download PDFInfo
- Publication number
- CN112506565A CN112506565A CN202011457568.8A CN202011457568A CN112506565A CN 112506565 A CN112506565 A CN 112506565A CN 202011457568 A CN202011457568 A CN 202011457568A CN 112506565 A CN112506565 A CN 112506565A
- Authority
- CN
- China
- Prior art keywords
- event
- importance
- data set
- micro
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012216 screening Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/22—Microcontrol or microprogram arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30003—Arrangements for executing specific machine instructions
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种处理器微体系结构事件的重要性确定方法、存储介质和设备。所述重要性确定方法包括:对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。从用户利用该方法可以在多个平台下快速准确地分析出事件组中与性能相关的重要事件,同时能快速排序生成重要事件表。该方法为日后处理器性能相关的事件进一步深入分析打下了基础,同时也为相关处理器的设计与改进提供了重要的参考依据。
Description
技术领域
本发明属于信号处理技术领域,具体地讲,涉及处理器微体系结构事件的重要性确定方法、重要性确定装置、计算机可读存储介质、计算机设备。
背景技术
目前大多数处理器的设计不合理,导致应用在运行的过程中无法发挥处理器的全部性能,导致性能表现很差,这是一个需要迫切解决的问题。针对这个问题,对手机处理器进行微体系结构分析显得尤为重要,但是在这项工作进行研究的人很少,尤其近几年对于多核异构的手机处理器的研究并未有人进行。
计算机体系结构是微体系结构和指令集设计的结合。简单来说,微体系结构就是提高CPU性能的功能性实现。微体系结构的设计能够影响一个应用程序在该CPU上运行时的性能,因此通过在微体系结构层面表征手机处理器并找出手机处理器性能差的原因,并帮助人们比较现有的手机处理器性能以及优化设计移动手机设备处理器体系结构来说是十分重要的一件事。常见的微体系结构层面设计范畴包括:流水线、分支预测、缓存等。
然而,在微体系结构层面对手机处理器进行表征十分具有挑战性,因为现代手机处理器通常会拥有超过500个微体系结构事件,想要完全理解这些事件十分困难,同样全部进行测量和理解也没有必要。因此,如何选择出需要我们关注的微体系结构事件是关键。
发明内容
(一)本发明所要解决的技术问题
如何从大量原始的微体系结构事件数据筛选出会严重影响处理器性能的微体系结构重要事件。
(二)本发明所采用的技术方案
一种处理器微体系结构事件的重要性确定方法,所述重要性确定方法包括:
对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;
从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;
统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
优选地,对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集的方法包括:
对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集;
对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值;
根据每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;
对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。
优选地,从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集方法为:
将所述预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个所述预处理数据集中各个事件的权重值;
将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一些迭代筛选;
将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。
优选地,统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组的方法包括:
统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数;
保留总出现次数大于阈值的事件,形成微体系结构重要事件组。
本申请还公开了一种处理器微体系结构事件的重要性确定装置,所述重要性确定装置包括:
预处理模块,用于对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;
初始筛选模块,用于对从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;
二次筛选模块,用于统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
优选地,所述预处理模块包括:
聚合单元,用于对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集;
均值单元,用于对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值;
计算单元,用于根据每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;
转换单元,用于对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。
优选地,所述初始筛选模块包括:
输入单元,用于将所述预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个所述预处理数据集中各个事件的权重值;
初始筛选单元,用于将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一次迭代筛选;
所述输入单元还用于将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。
优选地,所述二次筛选模块包括:
统计单元,用于统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数;
二次筛选单元,用于保留总出现次数大于阈值的事件,形成微体系结构重要事件组。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有处理器微体系结构事件的重要性确定程序,所述处理器微体系结构事件的重要性确定程序被处理器执行时实现上述的处理器微体系结构事件的重要性确定方法。
本发明还公开了一种计算机设备,所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的处理器微体系结构事件的重要性确定程序,所述处理器微体系结构事件的重要性确定程序被处理器执行时实现上述的处理器微体系结构事件的重要性确定方法。
(三)有益效果
本发明公开了一种处理器微体系结构事件的重要性确定方法,相对于传统的方法,具有如下技术效果:
首先对原始微体系结构事件数据进行预处理,并按照权重值大小进行初次筛选,接着按照各个重要性事件的出现次数,二次筛选得到对处理器性能具有严重影响的微体系结构重要事件,从而确定出微体系结构事件的重要性程度的顺序。
同时,用户利用该方法可以在多个平台下快速准确地分析出事件组中与性能相关的重要事件,同时能快速排序生成重要事件表。该方法为日后处理器性能相关的事件进一步深入分析打下了基础,同时也为相关处理器的设计与改进提供了重要的参考依据。
附图说明
图1为本发明的实施例一的处理器微体系结构事件的重要性确定方法的流程图;
图2为本发明的实施例一的处理器微体系结构事件的重要性确定方法的详细过程示意图;
图3为本发明的实施例一的处理器微体系结构事件的重要性确定方法的整体应用场景图;
图4为本发明的实施例一的处理器微体系结构事件的重要性确定方法的另一流程图;
图5为本发明的实施例二的处理器微体系结构事件的重要性确定装置的框架图;
图6为本发明的实施例的计算机设备原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在详细描述本申请的各个实施例之前,首先简单描述本申请的发明构思:在微体系结构层面表征处理器并找出处理器性能差的原因,对于提升处理器性能具有关键作用,然而现有技术并没有提供相关的解决方案,本申请首先对原始微体系结构事件数据进行预处理,并按照权重值大小进行初次筛选,接着按照各个重要性事件的出现次数,二次筛选得到对处理器性能具有严重影响的微体系结构重要事件。
具体来说,如图1和图2所示,本实施例一的处理器微体系结构事件的重要性确定方法,重要性确定方法包括如下步骤:
步骤S10:对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;
步骤S20:从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;
步骤S30:统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
具体来说,如图3所示,对于原始微体系结构事件数据的获取,示例性地,在自动化收集数据的场景中,手机作为移动端设备,电脑作为服务器端设备,将被测试程序置于手机上并运行,通过自动化脚本将硬件事件数值提取到电脑端。数据的获方法为现有技术,在此不进行赘述。
进一步地,步骤S10包括如下步骤:
步骤S11:对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集。示例性地,用脚本对获取的数据进行调整,根据行列属性进行聚合,生成表格文件格式的微体系结构事件数据集。
步骤S12:对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值。具体来说,首先针对收集到的微体系结构事件数据进行均值处理,即取多次测试后的数据取平均值,此处得到各个性能相关的硬件事件值的多次测试的平均值,相关硬件事件指令总条数的多次测试的平均值,以及相关硬件事件指令机器总周期数的多次测试的平均值。
步骤S13:根据步骤S12得到的每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;
步骤S14:对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。首先对当前所有数据进行归一化处理,然后进行数据格式变换,对每一个性能相关的硬件事件对应一个每条指令所需要的机器周期数(CPI),同时这一个CPI在此行中CPI对应的其余性能相关硬件事件的值置为0,然后导出相应的逗号分隔值文件(csv文件)。此过程全程用脚本自动化完成。
示例性地,步骤S20中,采用随机梯度增强回归树算法(SGBRT)来获取重要性事件数据集,具体包括如下步骤:
步骤S21:将所述预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个所述预处理数据集中各个事件的权重值;
步骤S22:将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一些迭代筛选;
步骤S23:将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。
具体来说,如图3所示,在导入预处理数据集后,不断迭代调用随机梯度增强回归树算法(SGBRT),每次运行此算法排序后将重要性排在靠后的多个性能相关的硬件事件丢弃,多次迭代后得到余下的重要性最高的一组重要的硬件事件,此处可根据每次迭代后丢掉的硬件事件数和迭代总次数来调整剩下的重要硬件事件组中的事件数量。
进一步地,在步骤S30中,统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数,例如每个事件分别在100个测试程序中出现。设定阈值,保留总出现次数大于阈值的事件,形成微体系结构重要事件组,最后得到的微体系结构重要事件组即为严重影响处理器性能相关的硬件事件组,同时根据总出现次数排序后的事件组中的顺序即可代表事件的重要程度。
本实施例一公开了一种处理器微体系结构事件的重要性确定方法,首先对原始微体系结构事件数据进行预处理,并按照权重值大小进行初次筛选,接着按照各个重要性事件的出现次数,二次筛选得到对处理器性能具有严重影响的微体系结构重要事件,从而确定出微体系结构事件的重要性程度的顺序。
同时,通过该方法,用户可以在多个平台下快速准确地分析出事件组中与性能相关的重要事件,同时能快速排序生成重要事件表。该方法为日后处理器性能相关的事件进一步深入分析打下了基础,同时也为相关处理器的设计与改进提供了重要的参考依据。
如图5所示,本实施例二还公开了一种处理器微体系结构事件的重要性确定装置,重要性确定装置包括预处理模块100、初始筛选模块200和二次筛选模块300。其中,预处理模块100用于对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;初始筛选模块200用于对从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;二次筛选模块300用于统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
具体来说,预处理模块100包括聚合单元101、均值单元102、计算单元103和转换单元104。其中聚合单元101用于对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集;均值单元102用于对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值;计算单元103用于根据每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;转换单元104用于对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。预处理模块100的详细处理过程可参照实施例一的步骤S10,在此不进行赘述。
进一步地,初始筛选模块200包括输入单元201和初始筛选单元202,输入单元201用于将预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个预处理数据集中各个事件的权重值;初始筛选单元202用于将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一次迭代筛选。进一步地,输入单元还用于将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。预处理模块200的详细处理过程可参照实施例一的步骤S20,在此不进行赘述。
进一步地,二次筛选模块300包括统计单元301和二次筛选单元302。统计单元301用于统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数;二次筛选单元302用于保留总出现次数大于阈值的事件,形成微体系结构重要事件组。
本实施例三还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有处理器微体系结构事件的重要性确定程序,处理器微体系结构事件的重要性确定程序被处理器执行时实现上述的处理器微体系结构事件的重要性确定方法。
进一步地,本申请还公开了一种计算机设备,在硬件层面,如图6所示,该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行,在逻辑层面上形成请求处理装置。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有处理器微体系结构事件的重要性确定程序,所述处理器微体系结构事件的重要性确定程序被处理器执行时实现上述的处理器微体系结构事件的重要性确定方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上面对本发明的具体实施方式进行了详细描述,虽然已表示和描述了一些实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下,可以对这些实施例进行修改和完善,这些修改和完善也应在本发明的保护范围内。
Claims (10)
1.一种处理器微体系结构事件的重要性确定方法,其特征在于,所述重要性确定方法包括:
对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;
从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;
统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
2.根据权利要求1所述的处理器微体系结构事件的重要性确定方法,其特征在于,对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集的方法包括:
对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集;
对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值;
根据每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;
对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。
3.根据权利要求2所述的处理器微体系结构事件的重要性确定方法,其特征在于,从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集方法为:
将所述预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个所述预处理数据集中各个事件的权重值;
将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一些迭代筛选;
将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。
4.根据权利要求3所述的处理器微体系结构事件的重要性确定方法,其特征在于,统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组的方法包括:
统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数;
保留总出现次数大于阈值的事件,形成微体系结构重要事件组。
5.一种处理器微体系结构事件的重要性确定装置,其特征在于,所述重要性确定装置包括:
预处理模块,用于对获取的处理器的原始微体系结构事件数据进行预处理,生成预处理数据集;
初始筛选模块,用于对从所述预处理数据集中初次筛选权重值大于阈值的重要性事件,形成重要性事件数据集;
二次筛选模块,用于统计所述重要性事件数据集中各个重要性事件的出现次数,二次筛选出现次数大于预设次数的重要性事件,形成微体系结构重要事件组。
6.根据权利要求5所述的处理器微体系结构事件的重要性确定装置,其特征在于,所述预处理模块包括:
聚合单元,用于对文本文件格式的原始微体系结构事件数据进行属性聚合处理,形成表格文件形式的微体系结构事件数据集;
均值单元,用于对所述微体系结构事件数据集进行均值处理,得到每个事件对应的指令总条数的平均值和指令机器总周期数的平均值;
计算单元,用于根据每个事件对应的指令总条数的平均值和指令机器总周期数的平均值计算得到每个事件对应的机器周期数;
转换单元,用于对每个事件对应的机器周期数进行格式转换处理,得到逗号分隔值文件格式的预处理数据集。
7.根据权利要求6所述的处理器微体系结构事件的重要性确定装置,其特征在于,所述初始筛选模块包括:
输入单元,用于将所述预处理数据集作为输入数据输入到随机梯度增强回归树模型中,获得各个所述预处理数据集中各个事件的权重值;
初始筛选单元,用于将权重值大于阈值的事件保留,形成重要性事件过程数据集,完成一次迭代筛选;
所述输入单元还用于将每一次迭代筛选得到重要性事件过程数据集作为下一次迭代筛选的输入数据输入到随机梯度增强回归树模型,重复预定迭代次数的上述步骤,获得最终的重要性事件数据集。
8.根据权利要求7所述的处理器微体系结构事件的重要性确定装置,其特征在于,所述二次筛选模块包括:
统计单元,用于统计每个重要性事件在每种测试程序中出现的次数,并将每个重要性事件在全部测试程序中出现的次数进行叠加,得到每个重要性事件的总出现次数;
二次筛选单元,用于保留总出现次数大于阈值的事件,形成微体系结构重要事件组。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有处理器微体系结构事件的重要性确定程序,所述处理器微体系结构事件的重要性确定程序被处理器执行时实现权利要求1至4任一项所述的处理器微体系结构事件的重要性确定方法。
10.一种计算机设备,其特征在于,所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的处理器微体系结构事件的重要性确定程序,所述处理器微体系结构事件的重要性确定程序被处理器执行时实现权利要求1至4任一项所述的处理器微体系结构事件的重要性确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011457568.8A CN112506565A (zh) | 2020-12-10 | 2020-12-10 | 处理器微体系结构事件的重要性确定方法、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011457568.8A CN112506565A (zh) | 2020-12-10 | 2020-12-10 | 处理器微体系结构事件的重要性确定方法、介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112506565A true CN112506565A (zh) | 2021-03-16 |
Family
ID=74973676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011457568.8A Pending CN112506565A (zh) | 2020-12-10 | 2020-12-10 | 处理器微体系结构事件的重要性确定方法、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506565A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110989A (zh) * | 2021-03-23 | 2021-07-13 | 中国科学院深圳先进技术研究院 | 测试依据获取方法、应用程序测试方法以及相关装置 |
-
2020
- 2020-12-10 CN CN202011457568.8A patent/CN112506565A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110989A (zh) * | 2021-03-23 | 2021-07-13 | 中国科学院深圳先进技术研究院 | 测试依据获取方法、应用程序测试方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019104854A1 (zh) | 性能测试评价方法、装置、终端设备及存储介质 | |
CN108153587B (zh) | 一种针对大数据平台的慢任务原因检测方法 | |
TW201941058A (zh) | 異常檢測方法及裝置 | |
Jiang et al. | Efficient and scalable algorithms for inferring likely invariants in distributed systems | |
CN112214369A (zh) | 基于模型融合的硬盘故障预测模型建立方法及其应用 | |
CN107562532B (zh) | 一种预测设备集群的硬件资源利用率的方法及装置 | |
CN109815267A (zh) | 数据建模中特征的分箱优化方法及系统、存储介质及终端 | |
US9195730B2 (en) | Verifying correctness of a database system via extended access paths | |
CN107220121B (zh) | 一种numa架构下沙箱环境测试方法及其系统 | |
CN103645961B (zh) | 计算密集型并行任务的异常检测方法及系统 | |
US8245084B2 (en) | Two-level representative workload phase detection | |
CN108459958A (zh) | 功能及性能测试脚本的创建方法、装置、设备及存储介质 | |
US20180167260A1 (en) | Resource and Metric Ranking by Differential Analysis | |
CN110377519B (zh) | 大数据系统的性能容量测试方法、装置、设备及存储介质 | |
US10459933B2 (en) | Identification and elimination of non-essential statistics for query optimization | |
CN113360581A (zh) | 数据处理方法、装置及存储介质 | |
CN115757150A (zh) | 一种生产环境测试方法、装置、设备及存储介质 | |
CN112506565A (zh) | 处理器微体系结构事件的重要性确定方法、介质和设备 | |
CN112346962A (zh) | 一种应用于对照测试系统中的对照数据测试方法及装置 | |
US8850407B2 (en) | Test script generation | |
KR101830936B1 (ko) | 데이터베이스와 애플리케이션을 위한 웹기반 성능개선 시스템 | |
TW202004533A (zh) | 針對訓練語料從詞頻表中進行負例採樣的方法及裝置 | |
WO2021106014A1 (en) | System and method for anomaly detection and root cause automation using shrunk dynamic call graphs | |
CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
CN112905370A (zh) | 拓扑图生成方法、异常检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |