基于神经网络的处理器分支预测技术研究

论文摘要

随着应用对处理器性能需求日益提高,超标量和深流水线已经成为当前嵌入式处理器的主流技术。但程序中普遍存在的条件分支是破坏超标量和深流水线连续运行的主要原因,由条件分支指令造成的流水线性能损失已经成为制约处理器性能提升的主要瓶颈,为了减少条件分支造成的流水线性能损失,现代处理器普遍采用分支预测技术。分支测技术在经过了2bit分支预测器,全局/局部历史分支预测器,Gshare分支预测器,神经网络分支预测器的发展后,现在已经日益成熟。为寻找进一步制约分支预测准确率的因素,本文对函数调用返回与分支预测的关系进行了理论和实验两方面的深入研究,主要内容如下:首先总结了国内外对这一课题的发展方向,主要体现在分支预测算法的发展过程和在各个发展阶段遇到的问题,以及解决问题的办法。重点介绍了神经网络分支预测器以及目前提高分支预测准确率的种种努力,提出了研究方向。其次,通过对函数调用和返回过程的深入分析,指出了函数调用返回过程中的分支别名现象,并对此提出了解决方案——离散函数调用分支别名的方法。在提出一种高效的算法仿真平台后,根据具体的实验,验证了离散函数调用的分支别名方法确实能够提高分支预测的准确率。然后,以CKCORE处理器为应用背景,对离散函数调用分支别名的神经网络方法进行了硬件实现,并利用system verilog平台对硬件实现进行了验证,进而讨论了新的验证工作带来的验证平台的变化。最后,总结全文,给出了现有消除函数调用分支别名方法继续改进发展的方向。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1.绪论
• 1.1.分支预测算法的研究意义
• 1.2.国内外技术现状与发展趋势
• 1.2.1.静态分支预测技术
• 1.2.2.2bit分支预测器
• 1.2.3.全局/局部历史分支预测器
• 1.2.4.分支别名效应
• 1.2.5.Gshare分支预测器
• 1.2.6.skew分支预测器
• 1.2.7.神经网络预测器
• 1.2.8.分支预测发展方向及论文选题
• 2.消除函数调用分支别名的神经网络方法
• 2.1.函数调用过程中的别名效应
• 2.2.消除分支别名效应的神经网络分支预测算法描述
• 2.3.基于trace的神经网络算法高效仿真平台
• 2.3.1.传统分支预测算法仿真平台
• 2.3.2.ISA平台
• 2.3.3.Trace平台
• 2.3.4.ISA平台与trace平台仿真时间的对比
• 2.3.5.不同的消除函数调用分支别名算法带来的分支预测失误率下降对比
• 3.改进算法的硬件实现与验证
• 3.1.CKCORE处理器分支指令执行机制
• 3.2.现有算法的硬件实现
• 3.3.system verilog验证平台的搭建
• 3.3.1.平台设计
• 3.3.2.激励产生
• 3.3.3.结果检查与覆盖率统计
• 3.4.测试case管理
• 4.总结
• 参考文献
• 攻读硕士学位期间录用的论文
• 致谢