CN116894209B - 采样点的分类方法、装置、电子设备及可读存储介质 - Google Patents
采样点的分类方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116894209B CN116894209B CN202311140928.5A CN202311140928A CN116894209B CN 116894209 B CN116894209 B CN 116894209B CN 202311140928 A CN202311140928 A CN 202311140928A CN 116894209 B CN116894209 B CN 116894209B
- Authority
- CN
- China
- Prior art keywords
- basic block
- target
- sequence
- basic
- determining
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 142
- 238000012360 testing method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供一种采样点的分类方法、装置、电子设备及可读存储介质，涉及计算机技术领域。该方法包括：获取目标时间段内各采样点对应的基本块向量；基本块向量用于表征采样点对应的各个基本块的时序关系和基本块标识；根据基本块向量，确定至少一个目标基本块序列；目标基本块序列包括在采样点内存在连续调用关系的至少两个基本块；基于至少一个目标基本块序列，对目标时间段内的各采样点进行聚类，得到第一聚类集群。本发明实施例可以提高采样的准确度，进而提高采样点的代表性以及对处理器性能进行评估的准确性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种采样点的分类方法、装置、电子设备及可读存储介质。
背景技术
模拟点(SimPoint)技术是一种对程序运行时状态进行采样并建立采样点快照以供后续性能评估使用的技术，可以解决对处理器性能进行评估过程中需要多次执行基准测试程序耗时长的问题。
模拟点技术可以通过统计一段时间内程序运行中各基本块出现的次数信息对程序运行过程中的各阶段做聚类，并选取聚类中最有代表性的采样点片段实现只运行程序中具有代表性的少数程序片段来获得局部性能数据，以较高精度预测程序整体运行性能。
但是，通过上述模拟点技术进行分类的方法，并未考虑到基本块随时间的分布对性能评估精准度的影响，导致在程序中存在大量循环体结构的情况下，存在采样准确度低的问题。
发明内容
本发明实施例提供一种采样点的分类方法、装置、电子设备及可读存储介质，可以解决相关技术中采样准确度低的问题。
为了解决上述问题，本发明实施例公开了一种采样点的分类方法，所述方法包括：
获取目标时间段内各采样点对应的基本块向量；所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识；
根据所述基本块向量，确定至少一个目标基本块序列；所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块；
基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
另一方面，本发明实施例公开了一种采样点的分类装置，所述装置包括：
获取模块，用于获取目标时间段内各采样点对应的基本块向量；所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识；
确定模块，用于根据所述基本块向量，确定至少一个目标基本块序列；所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块；
聚类模块，用于基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
再一方面，本发明实施例还公开了一种电子设备，所述电子设备包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放可执行指令，所述可执行指令使所述处理器执行前述的采样点的分类方法。
本发明实施例还公开了一种可读存储介质，当所述可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的采样点的分类方法。
本发明实施例包括以下优点：
本发明实施例提供了一种采样点的分类方法，在对目标时间段内的各采样点进行分类的过程中，考虑到采样点对应的各个基本块之间的时序关系，根据可以表征采样点对应的各个基本块的时序关系的基本块向量确定目标基本块序列，并基于目标基本块序列对目标时间段内的各采样点进行聚类，在解决处理器性能评估过程中多次执行基准测试程序耗时问题的同时，还提高了对采样点进行分类的精度，尤其是在测试程序中存在大量循环体结果的情况下，可以提高采样的准确度，进而提高采样点的代表性以及对处理器性能进行评估的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种采样点的分类方法实施例的步骤流程图；
图2是本发明的一种采样点的分类装置的结构框图；
图3是本发明示例提供的一种用于采样点的分类的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中的术语“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本发明实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
方法实施例
参照图1，示出了本发明的一种采样点的分类方法实施例的步骤流程图，所述方法具体可以包括如下步骤：
步骤101、获取目标时间段内各采样点对应的基本块向量。
其中，所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识。
步骤102、根据所述基本块向量，确定至少一个目标基本块序列。
其中，所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块。
步骤103、基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
本发明实施例提供的采样点的分类方法，可以应用于能够实现程序测试的测试设备。
其中，目标时间段为通过测试程序对处理器进行测试过程中的任一时间段。采样点为测试程序中不同的程序片段对应的采样点，在本发明实施例中，采样点的数量可以为多个。每个采样点对应一个基本块向量，基本块向量为采样点的特征向量，基本块向量和采样点之间为一一对应关系。
在本发明实施例中，基本块向量可以用于表征采样点对应的各个基本块的基本块标识以及各个基本块的时序关系。每个采样点可以对应至少一个基本块，基本块的时序关系为采样点对应的各个基本块被调用的时序关系，具体地，时序关系可以为采样点中基本块被调用的先后顺序关系，也可以为采样点中基本块被调用的时间分布关系。
基本块是测试程序中一个顺序执行的语句序列。基本块只有一个入口和一个出口，入口为基本块中的第—个语句，出口为基本块中的最后一个语句。对一个基本块来说，执行时只能从入口进入该段程序，并从出口退出该段程序。可以理解的是，一个完整的测试程序可以包括多个基本块。
在本发明实施例中，测试设备在获取目标时间段内各采样点对应的基本块向量的过程中，可以首先按照时间顺序，确定各采样点中对应的基本块的被调用的时序关系；然后，基于基本块标识和基本块的时序关系，将采样点对应的各个基本块拼接生成采样点对应的基本块向量。
此外，基本块标识为基本块的唯一标识，用于对采样点对应的各个基本块进行标记，便于后续确定基本块向量中各个基本块之间的时序关系以及各个基本块的调用次数等信息。
在本发明实施例中，目标基本块序列为测试设备根据采样点对应的各个基本块的时序关系确定的基本块序列。在目标基本块序列中包括采样点对应的各个基本块中存在连续调用关系的至少两个基本块。
需要说明的是，在目标基本块序列中，存在连续调用关系的至少两个基本块之间的时序关系是固定的。在存在连续调用关系的至少两个基本块相同，但是该至少两个基本块之间的时序关系不同的情况下，由此确定的目标基本序列也不同。
示例性地，第一采样点和第二采样点对应的基本块均包括“基本块x”和“基本块y”，在“基本块x”和“基本块y”之间存在连续调用关系的情况下，根据采样点对应的基本块向量，在“基本块x”和“基本块y”之间的连续调用关系为在调用“基本块x”之后连续调用“基本块y”的情况下，可以确定目标基本块序列为“基本块x+基本块y”；在“基本块x”和“基本块y”之间的连续调用关系为在调用“基本块y”之后连续调用“基本块x”的情况下，可以确定目标基本块序列为“基本块y+基本块x”；当然，在“基本块x”和“基本块y”之间的连续调用关系同时存在：在调用“基本块x”之后连续调用“基本块y”以及在调用“基本块y”之后连续调用“基本块x”的情况下，可以确定目标基本块序列的数量为2个，其中，第一目标基本块序列为“基本块x+基本块y”，第二目标基本块序列为“基本块y+基本块x”。本发明实施例对此不作具体限定。
在本发明实施例中，在通过步骤102确定至少一个目标基本块序列的情况下，测试设备可以以步骤102确定至少一个目标基本块序列为聚类依据，对目标时间段内的各采样点进行聚类，得到第一聚类集群。
需要说明的是，第一聚类集群的数量由目标基本块序列的数量决定。具体地，在目标基本块的数量为N的情况下，第一聚类集群的数量为N≤M≤N+1，其中，N和M均为大于或等于1的整数。当然，第一聚类集群的数量也可以是根据实际分类需要预先设定的数值。本发明实施例对此不作具体限定。
在本发明实施例中，可以采用K-means算法基于至少一个目标基本块序列，对目标时间段内的各采样点进行聚类，得到第一聚类集群。具体地，可以将基本块向量作为K-means算法的输入，输入至K-means算法中，由K-means算法基于至少一个目标基本块序列，对目标时间段内的各采样点进行聚类，得到第一聚类集群。
示例性地，当前有4个采样点，目标时间段内各采样点对应的基本块向量分别为[1, 2, 3, 4] 、[1, 2, 3, 1]、[5, 6, 7, 8]和 [5, 6, 7, 9]。根据采样点对应的基本块向量，确定的目标基本块序列有两个，分别为“基本块1+基本块2+基本块3”和“基本块5+基本块6+基本块7”；将基本块向量：[1, 2, 3, 4] 、[1, 2, 3, 1]、[5, 6, 7, 8]和 [5, 6,7, 9]作为K-means算法的输入，输入至K-means算法中，由K-means算法基于目标基本块序列“基本块1+基本块2+基本块3”和“基本块5+基本块6+基本块7”，对目标时间段内的4个采样点进行聚类，得到2个第一聚类集群。其中，基本块向量[1, 2, 3, 4]和基本块向量[1,2, 3, 5]对应的采样点被聚类为一个第一聚类集群，基本块向量[5, 6, 7, 8]和基本块向量[5, 6, 7, 9]对应的采样点被聚类为另一个第一聚类集群。
需要说明的是，上述基本块向量中的“1”、“2”、“3”、“4”、“5”、“6”、“7”、“8”和“9”为基本块的基本块标识，并且在基本块向量中，各个基本块标识按照基本块之间的时序关系进行排列。
现有技术中，通过统计一段时间内程序运行中各基本块出现的次数信息对程序运行过程中的各阶段做聚类，并选取聚类中最有代表性的采样点片段实现只运行程序中具有代表性的少数程序片段来获得局部性能数据，以较高精度预测程序整体运行性能，但是未考虑到基本块随时间的分布对性能评估精准度的影响，导致在测试程序中存在大量循环体结构的情况下，存在采样准确度低的问题。示例性地，测试程序中包括程序段A和程序段B：
程序段A：
for (int i = 0; i<1000000; i++) {
;
}
程序段B：
for (int i = 0; i<1000000; i++) {
;
}
上述程序段A和程序段B通常会被各自编译为执行1000000次的“基本块x”和“基本块y”。仅考虑上述两程序段的组合，那么有先执行程序段A后执行程序段B的AB组合及相反的BA组合。
考虑到程序段A和程序段B均会访问同一个数组a[]，先执行的程序段会将数组a[]的内容从内存中缓存到处理器的高速缓存中，使得后执行的程序段可以直接从高速缓存而非从内存中加载数组a[]，使得后执行的程序段的运行速度相对更快。而程序段A和程序段B对应的运算操作的复杂程度也有所不同。具体地，在BA组合的情况下，程序段B的执行性能同时受到较慢的内存访问速度和较为复杂的运算操作的限制，而程序段A的执行性能则主要受到较为简单的运算操作的限制。在AB组合的情况下，程序段A的执行性能同时受到较慢的内存访问速度和较为简单的运算操作的限制，程序段B的执行性能主要受到较为复杂的运算操作的限制。由此，较慢的内存访问速度和较为复杂的运算操作同时出现会严重限制BA组合的性能提升，从而会使得BA组合的执行速度慢于AB组合。
由此可见，采样点对应的基本块的时序关系对测试程序的执行性能具有较大影响，在不考虑基本块之间的时序关系的情况下，会将上述AB组合和BA组合对应的采样点聚类到同一聚类集群中，从而导致采样准确度低的问题。本发明实施例提供的一种采样点的分类方法，在对目标时间段内的各采样点进行分类的过程中，考虑到采样点对应的各个基本块之间的时序关系，根据可以表征采样点对应的各个基本块的时序关系的基本块向量确定目标基本块序列，并基于目标基本块序列对目标时间段内的各采样点进行聚类，在解决处理器性能评估过程中多次执行基准测试程序耗时问题的同时，还提高了对采样点进行分类的精度，尤其是在测试程序中存在大量循环体结果的情况下，可以提高采样的准确度，进而提高采样点的代表性以及对处理器性能进行评估的准确性。
在本发明的一种可选实施例中，步骤102所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
步骤1021、根据所述采样点对应的各个基本块的调用次数，确定所述基本块向量之间相似度。
步骤1022、根据所述相似度和所述时序关系，确定至少一个目标基本块序列。
其中，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数。调用次数为目标时间段内基本块被调用的次数。
在本发明实施例中，基本块向量之间的相似度可以包括基本块向量中采样点对应的各个基本块的调用次数的相似度。示例性地，在第一基本块向量为[1(10), 2(10), 4(1)]，第二基本块向量为 [1(9), 2(11),4( 2)]，第三基本块向量为[5(0), 6(20), 7(10)]的情况下，根据采样点对应的各个基本块的调用次数，可以确定第一基本块向量和第二基本块向量之间具有较高的相似度，而第一基本块向量与第三基本块向量之间具有较低的相似度。
需要说明的是，基本块向量中括号内的数字表征采样点对应的各个基本块的调用次数，基本块向量中括号外的数字表征采样点对应的各个基本块的基本块标识，并且在基本块向量中，各个基本块标识以及各个基本块标识对应的调用次数按照基本块之间的时序关系进行排列。
测试设备在通过步骤1021确定基本块向量之间的相似度之后，可以继续通过步骤1022根据该相似度和各个基本块之间的时序关系，确定至少一个目标基本块序列。
具体地，测试设备可以以基本向量之间的相似度和各个基本块之间的时序关系为双重依据来确定目标基本块序列。例如，测试设备在根据相似度确定至少两个基本块向量之间相似度较高，并且根据时序关系确定该至少两个基本块向量对应的采样点内存在连续调用关系的至少两个基本块的情况下，可以将该至少两个基本块确定为目标基本块序列；测试设备在根据相似度确定至少两个基本块向量之间相似度较高，但是根据时序关系确定该至少两个基本块向量对应的采样点内均不存在连续调用关系的至少两个基本块的情况下，则无法确定目标基本块序列；测试设备在根据相似度确定至少两个基本块向量之间相似度较低的情况下，也无法确定目标基本块序列。
需要说明的是，基本块向量之间相似度的高低程度可以基于预设相似度阈值进行判定。在基本块向量之间相似度大于或等于预设相似度阈值的情况下，可以确定基本块向量之间的相似度较低；在基本块向量之间相似度小于预设相似度阈值的情况下，可以确定基本块向量之间的相似度较高。
具体地，基本块向量之间相似度可以通过将相同基本块标识对应的调用次数之间的差值的绝对值求和确定。该求和值越大表明基本块向量之间的相似度越低；该求和值越小表明基本块向量之间的相似度越高。
在本发明实施例中，测试设备在获取目标时间段内各采样点对应的基本块向量的过程中，还可以首先按照时间顺序，获取各采样点中对应的基本块的被调用次数；然后，基于基本块标识、基本块的调用次数以及基本块的时序关系，生成采样点对应的基本块向量。
本发明实施例提供的采样点的分类方法，在根据采样点对应的各个基本块的调用次数确定基本块向量之间相似度的基础上，再基于采样点对应的各个基本块的时序关系以及相似度确定的目标基本块序列，在一定程度上实现了对目标基本块序列数量的精简，在基于各个基本块的时序关系对采样点进行聚类提高采样的准确度的同时，还降低测试过程造成的功耗的开销，提高测试程序的执行效率。
在本发明的一种可选实施例中，步骤1022所述根据所述相似度和所述时序关系，确定至少一个目标基本块序列，包括：
步骤10221、根据所述相似度对所述目标时间段内的各采样点进行聚类，得到第二聚类集群。
步骤10222、根据所述时序关系，从所述第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
在本发明实施例中，终端设备在根据相似度和时序关系，确定至少一个目标基本块序列的过程中，可以首先根据相似度对目标时间段内的各采样点进行聚类，得到第二聚类集群；然后，再根据时序关系，从第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
其中，第二聚类集群的数量为至少1个，并且步骤10221中进行聚类的对象为目标时间段内的各采样点。
具体地，测试设备在根据相似度对目标时间段内的各采样点进行聚类的过程中，可以将相似度较高的至少两个基本块向量对应的采样点进行聚类，得到一个第二聚类群，并将相似度较低的基本块向量对应的采样点进行聚类，得到另一个第二聚类群。
可以理解的是，在目标时间段内的采样点的数量为2，并且采样点对应的基本块向量的相似度较高的情况下，可以对该2个采样点进行聚类得到一个第二聚类群，此时，第二聚类群的数量为1个。在目标时间段内的采样点的数量为3，并且在第一采样点对应的基本块向量和第二采样点对应的基本块向量的相似度较高，第三采样点对应的基本块向量和第一采样点对应的基本块向量、第二采样点对应的基本块向量的相似度均较低的情况下，可以将第一采样点和第二采样点进行聚类得到一个第二聚类群，并将第三采样点聚类为另一个第二聚类群，此时，第二聚类群的数量为2个。
示例性地，当前有4个采样点，目标时间段内各采样点对应的基本块向量分别为[1(10), 2(10), 4(1)]、[1(9), 2(11),4( 2)]、[5(0), 6(20), 7(10)]和[5(1), 6(19), 7(11)]。根据采样点对应的各个基本块的调用次数，确定基本块向量之间相似度具体为：第一基本块向量[1(10), 2(10), 4(1)]和第二基本块向量[1(9), 2(11),4( 2)]之间具有较高的相似度，第三基本块向量[5(0), 6(20), 7(10)]和第四基本块向量[5(1), 6(19), 7(11)]之间具有较高的相似度。进而根据相似度对目标时间段内的各采样点进行聚类，得到第二聚类集群为：第一基本块向量[1(10), 2(10), 4(1)]和第二基本块向量[1(9), 2(11),4( 2)]对应的采样点被聚类为一个第二聚类集群，第三基本块向量[5(0), 6(20), 7(10)]和第四基本块向量[5(1), 6(19), 7(11)]对应的采样点被聚类为另一个第二聚类集群。
在本发明实施例中，在通过步骤10221得到至少一个第二聚类集群的情况下，测试设备可以进一步根据基本块之间的时序关系，从第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
示例性地，第二聚类集群的数量为2，并且其中一个第二聚类集群中的采样点对应的基本块向量为第一基本块向量[1(10), 2(10), 4(1)]和第二基本块向量[1(9), 2(11),4( 2)]；另一个聚类集群中的采样点对应的基本块向量为第三基本块向量[5(0), 6(20),7(10)]和第四基本块向量[5(1), 6(19), 7(11)]。测试设备可以继续根据基本块之间的时序关系，从第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列，具体地，由于“基本块1”、“基本块2”和“基本块4”之间存在连续调用关系，因此可以将基本块序列“基本块1+基本块2+基本4”确定为目标基本块序列；相应地，由于“基本块5”、“基本块6”和“基本块7”之间存在连续调用关系，因此可以将基本块序列“基本块5+基本块6+基本7”确定为目标基本块序列。由此，可以确定2个不同的目标基本块序列。
需要说明的是，在第二聚类集群的数量为2，并且从其中一个第二聚类集群中各个采样点对应的基本块中确定的目标基本块序列与从另一个第二聚类集群中各个采样点对应的基本块中确定的目标基本块序列相同的情况下，此时测试设备通过步骤10222确定的目标基本块序列的数量为1。
在本发明的一种可选实施例中，步骤103所述基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群，包括：
步骤1031、基于所述至少一个目标基本块序列，对所述第二聚类集群中的采样点进行聚类，得到第一聚类集群。
在本发明实施例中，在通过步骤10221得到至少一个第二聚类集群，并且通过步骤10222确定至少一个目标基本块序列的情况下，测试设备可以通过步骤1031基于至少一个目标基本块序列，对在步骤10221得到的第二聚类集群中的采样点进行再次聚类，得到第一聚类集群。其中，第一聚类集群是在第二聚类集群的基础上进行再次聚类得到的。第二聚类集群的聚类依据是基本块向量之间相似度，第一聚类集群的聚类依据是根据基本块之间的时序关系确定的目标基本块序列。步骤1031中进行聚类的对象为各个第二聚类集群中的采样点。
本发明实施例提供的采样点的分类方法，测试设备可以首先根据各采样点对应的基本块之间的相似度对目标时间段内的各采样点进行一次聚类，得到第二聚类集群；然后再基于至少一个目标基本块序列，对第二聚类集群中的采样点进行二次聚类，得到第一聚类集群。由此，在提高采样的准确度的同时，还可以提高处理执行测试程序的速度，进而提高处理器性能评估过程的效率。
在本发明的一种可选实施例中，步骤103所述基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群，包括：
步骤1032、确定所述目标基本块序列中各个基本块之间的目标时序关系；
步骤1033、根据所述基本块向量和所述目标时序关系，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
其中，目标时序关系为目标基本块序列中的各个基本块之间的时序关系。示例性地，在目标基本块序列为“基本块x+基本块y”的情况下，目标时序关系为：在调用“基本块x”之后连续调用“基本块y”；在目标基本块序列为“基本块1+基本块2+基本4”的情况下，目标时序关系为：在调用“基本块1”之后连续调用“基本块2”，并在调用“基本块2”之后连续调用“基本块4”。
在本发明实施例中，测试设备在通过步骤102确定目标基本块序列之后，可以根据目标基本块序列对应的目标时序关系以及采样点对应的基本块向量，对目标时间段内的各个采样点进行聚类，从而得到第一聚类集群。
具体地，测试设备在确定在目标基本块序列对应的目标时序关系之后，可以将目标时间段内各个采样点对应的各个基本块的时序关系与目标时序关系进行匹配；在任一采样点对应的基本块的时序关系中存在部分或者全部时序关系与目标时序关系相匹配的情况下，可以将该采样点聚类到满足目标基本块序列的第一聚类集群中，并将基本块的时序关系中不存在与目标时序关系相匹配的采样点聚类到不满足目标基本块序列的第一聚类集群中。
可以理解的是，在目标基本块序列的数量为多个的情况下，可以将满足第一目标基本块序列的采样点聚类到与第一目标基本块序列对应的第一聚类集群中，将满足第二目标基本块序列的采样点聚类到与第二目标基本块序列对应的第一聚类集群中，以此类推，从而实现对目标时间段内的各采样点进行聚类，得到至少一个第一聚类集群。
本发明实施例提供的聚类方法，通过确定目标基本块序列中各个基本块之间的目标时序关系，并根据基本块向量和目标时序关系，对目标时间段内的各采样点进行聚类，得到第一聚类集群。实现了基于目标基本块序列对目标时间段内的各采样点进行聚类，在解决处理器性能评估过程中多次执行基准测试程序耗时问题的同时，还提高了对采样点进行分类的精度。
在本发明的一种可选实施例中，步骤102所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
步骤1023、根据所述时序关系，确定所述基本块向量中第一基本块序列的调用次数。
步骤1024、将所述目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列。
其中，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数。
在本发明实施例中，测试设备在根据基本块向量，确定至少一个目标基本块序列的过程中，可以根据基本块向量表征的采样点对应的各个基本块的调用次数和采样点对应的各个基本块的时序关系，确定各个采样点对应的基本块向量中第一基本块序列的调用次数。
其中，第一基本块序列包括基本块向量中存在连续调用关系的至少两个基本块。第一基本块序列的数量至少为1。
连续调用关系的类型可以根据存在连续调用关系的基本块的数量、存在连续调用关系的基本块之间的调用时序关系等方面进行确定。示例性地，“基本块x+基本块y”可以作为连续调用关系的第一类型，“基本块y+基本块x”可以作为连续调用关系的第二类型，“基本块x+基本块y+基本块z”可以作为连续调用关系的第三类型。由此，可以将“基本块x+基本块y”、“基本块y+基本块x”以及“基本块x+基本块y+基本块z”确定为3个不同的第一基本块序列。
具体地，测试设备可以首先根据基本块之间的时序关系，将基本块向量中存在连续调用关系的至少两个基本块确定为第一基本块序列；然后再根据各个基本块的调用次数，确定第一基本块序列的调用次数。示例性地，可以将第一基本块序列中的各个基本块被连续调用的次数作为第一基本块序列的调用次数。
在本发明实施例中，测试设备在通过步骤1023确定各个第一基本块序列的调用次数之后，可以根据各个第一基本块序列的调用次数，从第一基本块序列中确定调用次数最大的至少一个第一基本块序列作为至少一个目标基本块序列。示例性地，在步骤1023确定的第一基本块序列的数量为5个，并且各个第一基本块序列的调用次数分别为10次、3次、5次、7次、8次的情况下，测试设备可以根据各个第一基本块序列的调用次数，从第一基本块序列中确定调用次数为10次的第一基本块序列作为目标基本块序列；当然，测试设备也可以第一基本块序列中确定调用次数分别为10次、8次、7次的第一基本块序列作为目标基本块序列。本发明实施例对此不作具体限定。
本发明实施例提供的采样点的分类方法，可以根据所述时序关系，确定基本块向量中第一基本块序列的调用次数，并将目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列。在一定程度上对目标基本块序列数量的进行简化的同时，也通过将目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列，提高了最终确定的目标基本块序列的代表性。
在本发明的一种可选实施例中，步骤102所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
步骤1025、根据所述时序关系，确定所述基本块向量中各所述基本块之间的调用关系。
步骤1026、将存在连续调用关系的至少两个基本块确定为目标基本块序列。
在本发明实施例中，测试设备在根据所述基本块向量，确定至少一个目标基本块序列的过程中，还可以首先通过步骤1025根据基本块之间的时序关系确定基本块向量中各个基本块之间的调用关系；然后再通过步骤1026将存在连续调用关系的至少两个基本块确定为目标基本块序列。由此，可以在一定程度上增加目标基本块序列的数量，使得测试设备在通过步骤103基于目标基本块序列，对目标时间段内的各采样点进行聚类时，对得到的第一聚类集群进行细化，实现对目标时间段内采样点更加精确的分类效果，进而可以提高采样的准确度以及对处理器性能进行评估的准确性。
综上，本发明实施例提供了一种采样点的分类方法，在对目标时间段内的各采样点进行分类的过程中，考虑到采样点对应的各个基本块之间的时序关系，根据可以表征采样点对应的各个基本块的时序关系的基本块向量确定目标基本块序列，并基于目标基本块序列对目标时间段内的各采样点进行聚类，在解决处理器性能评估过程中多次执行基准测试程序耗时问题的同时，还提高了对采样点进行分类的精度，尤其是在测试程序中存在大量循环体结果的情况下，可以提高采样的准确度，进而提高采样点的代表性以及对处理器性能进行评估的准确性。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
装置实施例
参照图2，示出了本发明的一种采样点的分类装置的结构框图，所述系统具体可以包括：
获取模块201，用于获取目标时间段内各采样点对应的基本块向量；所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识；
确定模块202，用于根据所述基本块向量，确定至少一个目标基本块序列；所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块；
聚类模块203，用于基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
可选地，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；所述确定模块，包括：
第一确定子模块，用于根据所述采样点对应的各个基本块的调用次数，确定所述基本块向量之间相似度；
第二确定子模块，用于根据所述相似度和所述时序关系，确定至少一个目标基本块序列。
可选地，所述第二确定子模块，包括：
聚类单元，用于根据所述相似度对所述目标时间段内的各采样点进行聚类，得到第二聚类集群；
确定单元，根据所述时序关系，从所述第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
可选地，所述聚类模块，包括：
第一聚类子模块，用于基于所述至少一个目标基本块序列，对所述第二聚类集群中的采样点进行聚类，得到第一聚类集群。
可选地，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；所述确定模块，包括：
第三确定子模块，用于根据所述时序关系，确定所述基本块向量中第一基本块序列的调用次数；所述第一基本块序列包括所述基本块向量中存在连续调用关系的至少两个基本块；
第四确定子模块，用于将所述目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列。
可选地，所述聚类模块，包括：
第五确定子模块，用于确定所述目标基本块序列中各个基本块之间的目标时序关系；
第二聚类子模块，用于根据所述基本块向量和所述目标时序关系，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
可选地，所述确定模块，包括：
第六确定子模块，用于根据所述时序关系，确定所述基本块向量中各所述基本块之间的调用关系；
第七确定子模块，用于将存在连续调用关系的至少两个基本块确定为目标基本块序列。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
关于上述实施例中的处理器，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
参照图3，是本发明实施例提供的一种用于采样点的分类的电子设备的结构框图。如图3所示，所述电子设备包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放可执行指令，所述可执行指令使所述处理器执行前述实施例的采样点的分类方法。
所述处理器可以是CPU（Central Processing Unit，中央处理器），通用处理器、DSP（Digital Signal Processor，数字信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmble Gate Array，现场可编程门阵列）或者其他可编辑器件、晶体管逻辑器件、硬件部件或者其任意组合。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
所述通信总线可包括一通路，在存储器和通信接口之间传送信息。通信总线可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。所述通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
所述存储器可以是ROM（Read Only内存，只读内存）或可存储静态信息和指令的其他类型的静态存储设备、RAM（Random Access，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically Erasable Programmable ReadOnly，电可擦可编程只读内存）、CD-ROM（Compact Disa Read Only，只读光盘）、磁带、软盘和光数据存储设备等。
本发明实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备（服务器或者终端）的处理器执行时，使得处理器能够执行图1所示的采样点的分类方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以预测方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种采样点的分类方法、装置、电子设备及可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种采样点的分类方法，其特征在于，所述方法包括：
获取目标时间段内各采样点对应的基本块向量；所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识；所述目标时间段为通过测试程序对处理器进行测试过程中的任一时间段；所述各个基本块的时序关系为所述采样点对应的各个基本块被调用的时序关系；
根据所述基本块向量，确定至少一个目标基本块序列；所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块；
基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群；
其中，所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
根据所述时序关系，确定所述基本块向量中各所述基本块之间的调用关系；
将存在连续调用关系的至少两个基本块确定为目标基本块序列。
2.根据权利要求1所述的方法，其特征在于，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；
所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
根据所述采样点对应的各个基本块的调用次数，确定所述基本块向量之间相似度；
根据所述相似度和所述时序关系，确定至少一个目标基本块序列。
3.根据权利要求2所述的方法，其特征在于，所述根据所述相似度和所述时序关系，确定至少一个目标基本块序列，包括：
根据所述相似度对所述目标时间段内的各采样点进行聚类，得到第二聚类集群；
根据所述时序关系，从所述第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
4.根据权利要求3所述的方法，其特征在于，所述基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群，包括：
基于所述至少一个目标基本块序列，对所述第二聚类集群中的采样点进行聚类，得到第一聚类集群。
5.根据权利要求1所述的方法，其特征在于，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；
所述根据所述基本块向量，确定至少一个目标基本块序列，包括：
根据所述时序关系，确定所述基本块向量中第一基本块序列的调用次数；所述第一基本块序列包括所述基本块向量中存在连续调用关系的至少两个基本块；
将所述目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列。
6.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群，包括：
确定所述目标基本块序列中各个基本块之间的目标时序关系；
根据所述基本块向量和所述目标时序关系，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
7.一种采样点的分类装置，其特征在于，所述装置包括：
获取模块，用于获取目标时间段内各采样点对应的基本块向量；所述基本块向量用于表征所述采样点对应的各个基本块的时序关系和基本块标识；所述目标时间段为通过测试程序对处理器进行测试过程中的任一时间段；所述各个基本块的时序关系为所述采样点对应的各个基本块被调用的时序关系；
确定模块，用于根据所述基本块向量，确定至少一个目标基本块序列；所述目标基本块序列包括在所述采样点内存在连续调用关系的至少两个所述基本块；
聚类模块，用于基于所述至少一个目标基本块序列，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群；
其中，所述确定模块，包括：
第六确定子模块，用于根据所述时序关系，确定所述基本块向量中各所述基本块之间的调用关系；
第七确定子模块，用于将存在连续调用关系的至少两个基本块确定为目标基本块序列。
8.根据权利要求7所述的装置，其特征在于，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；所述确定模块，包括：
第一确定子模块，用于根据所述采样点对应的各个基本块的调用次数，确定所述基本块向量之间相似度；
第二确定子模块，用于根据所述相似度和所述时序关系，确定至少一个目标基本块序列。
9.根据权利要求8所述的装置，其特征在于，所述第二确定子模块，包括：
聚类单元，用于根据所述相似度对所述目标时间段内的各采样点进行聚类，得到第二聚类集群；
确定单元，根据所述时序关系，从所述第二聚类集群中各个采样点对应的基本块中确定至少一个目标基本块序列。
10.根据权利要求9所述的装置，其特征在于，所述聚类模块，包括：
第一聚类子模块，用于基于所述至少一个目标基本块序列，对所述第二聚类集群中的采样点进行聚类，得到第一聚类集群。
11.根据权利要求7所述的装置，其特征在于，所述基本块向量还用于表征所述采样点对应的各个基本块的调用次数；所述确定模块，包括：
第三确定子模块，用于根据所述时序关系，确定所述基本块向量中第一基本块序列的调用次数；所述第一基本块序列包括所述基本块向量中存在连续调用关系的至少两个基本块；
第四确定子模块，用于将所述目标时间段内调用次数最大的第一基本块序列确定为目标基本块序列。
12.根据权利要求7所述的装置，其特征在于，所述聚类模块，包括：
第五确定子模块，用于确定所述目标基本块序列中各个基本块之间的目标时序关系；
第二聚类子模块，用于根据所述基本块向量和所述目标时序关系，对所述目标时间段内的各采样点进行聚类，得到第一聚类集群。
13.一种电子设备，其特征在于，所述电子设备包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放可执行指令，所述可执行指令使所述处理器执行如权利要求1至6中任一项所述的采样点的分类方法。
14.一种可读存储介质，其特征在于，当所述可读存储介质中的指令由电子设备的处理器执行时，使得所述处理器能够执行如权利要求1至6中任一项所述的采样点的分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140928.5A CN116894209B (zh) | 2023-09-05 | 2023-09-05 | 采样点的分类方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140928.5A CN116894209B (zh) | 2023-09-05 | 2023-09-05 | 采样点的分类方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116894209A CN116894209A (zh) | 2023-10-17 |
| CN116894209B true CN116894209B (zh) | 2023-12-22 |
Family
ID=88311024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140928.5A Active CN116894209B (zh) | 2023-09-05 | 2023-09-05 | 采样点的分类方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116894209B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2551726A1 (en) * | 2005-07-06 | 2007-01-06 | Bradley J. Skorepa | A method for engineering a control system |
| CN109901869A (zh) * | 2019-01-25 | 2019-06-18 | 中国电子科技集团公司第三十研究所 | 一种基于词袋模型的计算机程序分类方法 |
| CN112988587A (zh) * | 2021-03-26 | 2021-06-18 | 清华大学 | 一种程序检测方法及装置 |
| CN114780962A (zh) * | 2022-04-02 | 2022-07-22 | 中国人民解放军战略支援部队信息工程大学 | 基于动态能量调控的Windows程序模糊测试方法及系统 |
| CN116149917A (zh) * | 2023-02-28 | 2023-05-23 | 飞腾信息技术有限公司 | 评估处理器性能的方法及装置、计算设备、可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10902130B2 (en) * | 2018-02-18 | 2021-01-26 | Fujitsu Limited | Guiding automated testing of binary programs |
| EP3706047A1 (en) * | 2019-03-04 | 2020-09-09 | Siemens Aktiengesellschaft | Cluster based classification for time series data |
-
2023
- 2023-09-05 CN CN202311140928.5A patent/CN116894209B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2551726A1 (en) * | 2005-07-06 | 2007-01-06 | Bradley J. Skorepa | A method for engineering a control system |
| CN109901869A (zh) * | 2019-01-25 | 2019-06-18 | 中国电子科技集团公司第三十研究所 | 一种基于词袋模型的计算机程序分类方法 |
| CN112988587A (zh) * | 2021-03-26 | 2021-06-18 | 清华大学 | 一种程序检测方法及装置 |
| CN114780962A (zh) * | 2022-04-02 | 2022-07-22 | 中国人民解放军战略支援部队信息工程大学 | 基于动态能量调控的Windows程序模糊测试方法及系统 |
| CN116149917A (zh) * | 2023-02-28 | 2023-05-23 | 飞腾信息技术有限公司 | 评估处理器性能的方法及装置、计算设备、可读存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| SeqPoint: Identifying Representative Iterations of Sequence-Based Neural Networks;Suchita Pati 等;《2020 IEEE International Symposium on Performance Analysis of Systems and Software》;第69-80页 * |
| Simtrace: Capturing over time program phase behavior;Steven Flolid 等;《2020 IEEE International Symposium on Performance Analysis of Systems and Software》;第226-228页 * |
| Steven Flolid 等.Simtrace: Capturing over time program phase behavior.《2020 IEEE International Symposium on Performance Analysis of Systems and Software》.2020,第226-228页. * |
| Towards Developing High Performance RISC-V Processors Using Agile Methodology;Yinan Xu 等;《2022 55th IEEE/ACM International Symposium on Microarchitecture》;第1178-1199页 * |
| 基于圈复杂度和调用次数的测试用例排序方法;陈梦云;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》(第12期);第I138-155页 * |
| 基于程序失效聚类分析的错误定位研究;王玉森;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》(第7期);第I138-260页 * |
| 移动通信无线技术智能化发展研究;王凯帆;《中国新通信》;第33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116894209A (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242358A (zh) | 一种双层结构的企业情报流失预测方法 | |
| CN113038302B (zh) | 流量预测方法及装置、计算机可存储介质 | |
| CN109656366B (zh) | 一种情感状态识别方法、装置、计算机设备及存储介质 | |
| CN110704424B (zh) | 一种应用于数据库的排序方法、装置及相关设备 | |
| CN111338692B (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
| CN112181430B (zh) | 代码变更统计方法、装置、电子设备及存储介质 | |
| CN110188798B (zh) | 一种对象分类方法及模型训练方法和装置 | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN114418226B (zh) | 电力通信系统的故障分析方法及装置 | |
| CN114818600A (zh) | 一种芯片验证方法、装置、电子设备以及存储介质 | |
| CN114443483A (zh) | 人工智能系统的测试方法、装置、电子设备及介质 | |
| CN107368281B (zh) | 一种数据处理方法及装置 | |
| CN116894209B (zh) | 采样点的分类方法、装置、电子设备及可读存储介质 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN110198299B (zh) | 一种入侵检测方法和装置 | |
| CN116049733A (zh) | 基于神经网络的效能评估方法、系统、设备与存储介质 | |
| CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
| CN113609948B (zh) | 一种视频时序动作的检测方法、装置及设备 | |
| CN115687352A (zh) | 一种存储的方法及装置 | |
| CN109857632B (zh) | 测试方法、装置、终端设备及可读存储介质 | |
| CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN111522943A (zh) | 逻辑节点的自动化测试方法、装置、设备及存储介质 | |
| CN111242449A (zh) | 一种企业情报流失预测方法 | |
| CN112308225A (zh) | 训练神经网络的方法、装置及计算机可读存储介质 | |
| CN111160969A (zh) | 一种电力价格预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |