19、WCET 优化与机器学习在编译器设计中的应用

WCET 优化与机器学习在编译器设计中的应用

1. WCET 感知的跟踪调度实验结果

在实际基准测试中，对 WCC 的 WCET 感知跟踪调度的实际应用进行了验证。实验选用了来自 DSPstone、MediaBench、MiBench、MRTC 和 UTDSP 测试套件的 20 个代表性基准测试。实验采用了以下优化参数：
- 超时时间设定为 2 小时。
- 每调度两条跟踪路径后，通过 aiT 更新 WCEP。
- 所选跟踪路径的大小限制为 100 个基本块。

此外，还设置了另一种场景，即每调度四条跟踪路径后更新 WCEP，以比较不同更新频率对 WCET 和优化运行时间的影响。

1.1 WCET 结果

通过图 5.10 对比了 WCC 的局部调度和 WCET 感知跟踪调度对 WCET 的影响。以使用 WCC 最高优化级别 O3 且禁用指令调度时的估计 WCET 作为 100% 基准。各基准测试的第一组条形图展示了局部指令调度的结果，多数基准测试的改进效果并不显著，其中 edge_detect 基准测试的 WCET 改进效果最佳，达到了 7.6%，但也有部分基准测试（如 fir_float）的 WCET 略有下降，可能是由于调度过程中 NOP 指令被替换导致内存布局改变，产生了不利的线路交叉效应。总体而言，考虑的基准测试平均 WCET 降低了 0.4%。

与局部调度相比，WCET 感知跟踪调度取得了显著的改进。在大多数情况下，跟踪调度利用了多个基本块的扩展范围，表现优于局部调度。例如，sqrt 基准测试的估计 WCET 相对于 O3 和局部调度分别降低了 24.9% 和 25.0%。而且，由于 WCC 的回滚机制会丢弃导致