安卓應(yīng)用微架構(gòu)無(wú)關(guān)軟件負(fù)載特征的建模.pdf

1、面向移動(dòng)終端的嵌入式處理器性能評(píng)估需要具有代表性的測(cè)試程序，而研究主流應(yīng)用的軟件行為特征對(duì)生成測(cè)試程序具有十分重要的作用。目前安卓應(yīng)用是主流應(yīng)用之一。因此本文通過(guò)分析安卓應(yīng)用階段性的微架構(gòu)無(wú)關(guān)負(fù)載特征等軟件行為，選取能夠代表整個(gè)應(yīng)用的程序片段，為最終生成代表性測(cè)試程序提供可靠依據(jù)。
　　本文根據(jù)安卓應(yīng)用的執(zhí)行行為特點(diǎn)，基于已有的微架構(gòu)無(wú)關(guān)特征參數(shù)，添加了串行指令的比例及其分布、分支行為中跳轉(zhuǎn)地址的分布、平均寄存器讀取數(shù)和賦值數(shù)以及

2、數(shù)據(jù)的空間局部性四類(lèi)微架構(gòu)無(wú)關(guān)特征，總計(jì)得到227個(gè)微架構(gòu)無(wú)關(guān)特征維度。同時(shí)本文采用了基于相關(guān)性消除法以及遺傳算法的降維方法對(duì)227個(gè)微架構(gòu)無(wú)關(guān)負(fù)載特征進(jìn)行降維，得到了77個(gè)微架構(gòu)無(wú)關(guān)負(fù)載特征，使降維前后的負(fù)載特征平均相關(guān)系數(shù)為0.835;并進(jìn)一步采用主成分分析法及K-means聚類(lèi)算法對(duì)所有特征片段聚類(lèi)，提取典型特征片段來(lái)代表整個(gè)安卓應(yīng)用執(zhí)行時(shí)的負(fù)載特征。
　　本文以Gem5模擬器作為研究平臺(tái)，將Moby測(cè)試集中的9個(gè)安卓應(yīng)用基

3、于固定Cycle數(shù)（1千萬(wàn)）切割，提取所有特征片段階段性的微架構(gòu)無(wú)關(guān)以及相關(guān)軟件負(fù)載特征。實(shí)驗(yàn)結(jié)果表明:最終所選典型特征片段與多個(gè)安卓應(yīng)用整體的每個(gè)時(shí)鐘周期執(zhí)行指令數(shù)(Instructions per Cycle，IPC)平均誤差為1.29％，一級(jí)指令cache缺失率(L1 I-Cache miss)平均誤差為3.84％，一級(jí)數(shù)據(jù)cache缺失率(L1D-Cache miss)平均誤差為3.73％，分支預(yù)測(cè)錯(cuò)誤率(Branch miss