面向个人化编译器自动调优的混合、知识驱动的进化框架
软件工程
2025-10-17 v1
摘要
编译器通过自动调优是提高软件性能的关键技术，但为特定程序寻找最优的通过序列是一个NP难问题。传统的、通用的优化标志如-O3和-Oz采用“一条曲线驱动”的方法，常常无法发挥程序的全部性能潜力。为此，我们提出了一种新颖的混合、知识驱动的进化框架。该框架在离线分析阶段提取知识，智能地进行在线、个人化优化。在离线阶段，我们构建了一个综合的编译知识库，包含四个关键组件：（1）通过行为向量来量化捕获每个优化的有效性；（2）基于行为相似性聚类的 Pass 组；（3）用于建模有益顺序相互作用的协同 Pass 图；以及（4）为不同程序类型演化出的原型 Pass 序列库。在在线阶段，定制的遗传算法通过设计的、知识嵌入的遗传算子利用这一丰富的知识库。这些算子通过执行语义感知的重组和针对性的、恢复性的变异来改变搜索。在七个公开数据集上，我们的框架在高度优化的opt -Oz基线上实现了平均11.0%的额外LLVM IR指令减少，展示了其在发现具有个人化、高性能优化序列方面的前沿能力。
引用
@article{arxiv.2510.14292,
title = {A Hybrid, Knowledge-Guided Evolutionary Framework for Personalized Compiler Auto-Tuning},
author = {Haolin Pan and Hongbin Zhang and Mingjie Xing and Yanjun Wu},
journal= {arXiv preprint arXiv:2510.14292},
year = {2025}
}