论文部分内容阅读
随着芯片制造工艺技术的发展，不断缩小的特征尺寸和持续降低的供电电压，尤其是指数增长的晶体管数目，使得现代处理器越来越容易发生软错误。软错误已经成为限制处理器发展的关键因素之一。为了减少软错误对计算机系统的危害，近二十年，国内外众多科研机构和公司对软错误开展了大量而深入的研究。但是，绝大多数软错误保护措施的性能功耗和面积开销对主流商用处理器都是过于昂贵的。因此，本文提出了一系列基于机器学习方法的低开销软错误缓解技术。 本文的主要创新工作如下: 第一、提出了一种加速高可靠处理器微体系结构设计空间搜索的方法。本文同时考虑程序固有特征和处理器微体系结构配置，使用增强决策树机器学习算法，构建了统一的软错误率预测模型。对新应用程序或新处理器配置，该方法不需要额外的周期精确模拟，就可以准确预测软错误率，从而极大地加速了高可靠处理器微体系结构设计空间搜索。实验结果表明，与基于反应构建软错误率预测模型的方法相比较，对SPEC CPU2000基准测试程序使用本文的方法，高可靠处理器微体系结构设计空间搜索所需的时间减少了405.8倍。 第二、提出了一种主动预防软错误的方法。本文使用人工神经网络机器学习算法，离线构建了可以准确预测不同程序片段在不同处理器微体系结构配置上运行时的优化目标的模型。基于离线构建的预测模型，在程序运行过程中，通过动态调节处理器核的流水线控制逻辑（取指队列、发射队列、访存队列和重排序缓冲队列），实现了在性能损失很小的情况下，大幅降低处理器核流水线控制逻辑的软错误率。实验结果表明，与基准静态处理器微体系结构配置相比较，对SPEC CPU2000基准测试程序使用本文的方法，处理器核流水线控制逻辑软错误率降低了27.8％，处理器功耗降低了19.3％，处理器性能只降低了5.2％。 第三、提出了一种更高效主动预防软错误的预测模型。本文使用Soft-Max机器学习算法离线构建预测模型。不同于在线搜索处理器核微体系结构设计空间中的配置，该预测模型只需要执行一次预测运算，就可以直接准确预测不同程序片段在整个处理器核微体系结构设计空间中接近最佳的微体系结构配置。在程序运行过程中，根据离线构建的模型预测的当前程序片段的最佳微体系结构配置，动态调节处理器核的流水线控制逻辑，实现了在性能损失很小的情况下，极大地降低处理器核流水线控制逻辑的软错误率。实验结果表明，与基准静态处理器微体系结构配置相比较，对SPEC CPU2000基准测试程序使用本文的方法，处理器核流水线控制逻辑软错误率降低了40.6％，处理器功耗降低了22.3％，处理器性能只降低了5.5％。