43、深度神经网络在混合WCET分析及分布式统一流框架中的应用

深度神经网络在混合WCET分析及分布式统一流框架中的应用

深度神经网络在混合WCET分析中的应用

在混合最坏情况执行时间（WCET）分析中引入深度神经网络是一项具有潜力的尝试。下面将详细介绍相关的实验过程、结果以及后续的思考。

实验数据与准备

• 数据来源 ：实验数据来自TACLeBench基准测试套件，该套件包含了一系列测试应用，其在不同平台上的正确WCET已被确定，可用于验证和评估WCET分析工具的性能。从随机的TACLeBench应用中生成了总共532个混合块，所有时间测量都在Silicon Labs的EZR32 Leopard Gecko板上的ARM Cortex - M3 CPU上进行。通过原始的混合分析技术获取每个块的WCET，从而得到标记数据。

• 特征提取 ：神经网络的输入神经元需要数值特征，这些特征由COBRA框架从生成的混合块代码中提取。特征选择器会为每个块提取所需的特征，该工具基于配置文件创建了一个简单的界面来定义所需的属性，方便快速生成不同的属性集以测试不同的预测模型。本次实验生成的一个属性集如下表所示：
  | 操作类型 | 描述 |
  | ---- | ---- |
  | 加法 | 加法操作数量 |
  | 乘法 | 乘法操作数量 |
  | 除法 | 除法操作数量 |
  | 取模 | 取模操作数量 |
  | 逻辑 | 逻辑操作数量 |
  | 位运算 | 位运算操作数量 |
  | 赋值 | 赋值操作数量 |
  | 移位 | 移位操作数量 |
  | 比较 |