从数据中心工作负载中学习编译器中的分支概率
机器学习
2022-02-17 v1 性能
摘要
估计条件分支指令被执行（命中）的概率是一项重要的分析，它使现代编译器中的许多优化成为可能。在使用Profile Guided Optimizations（PGO，配置文件引导优化）时，编译器能够对分支概率做出良好估计。在缺乏配置文件信息的情况下，编译器转而使用启发式方法。在本工作中，我们提出从数据中心工作负载获取的大规模语料中学习分支概率。使用包括均方根误差、平均绝对误差与交叉熵在内的指标，我们表明机器学习模型相较编译器启发式方法将分支概率估计提升了18–50%。这转化为在40个基准测试套件中24个上高达8.1%的性能提升，以及套件上1%的几何平均提升。这也导致某重要搜索应用的性能提升超过1.2%。
引用
@article{arxiv.2202.06728,
title = {Learning Branch Probabilities in Compiler from Datacenter Workloads},
author = {Easwaran Raman and Xinliang David Li},
journal= {arXiv preprint arXiv:2202.06728},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2101.04808 by other authors