22、循环不变代码移动：原理、挑战与机器学习优化

循环不变代码移动：原理、挑战与机器学习优化

1. 引言

在编译器优化领域，循环不变代码移动（Loop-Invariant Code Motion，LICM）是一种重要的技术，旨在提高程序的性能。然而，简单地应用 LICM 并不总是能带来性能提升，有时甚至会导致性能下降。本文将详细介绍 LICM 的原理、影响，并探讨如何利用机器学习技术来优化 LICM 的应用。

2. LICM 与其他优化的差异

与函数内联等优化技术相比，LICM 具有以下特点：
- 执行级别 ：LICM 在汇编级别进行，展示了机器学习技术在编译器不同抽象级别的通用性。
- 目标侧重 ：之前的函数内联启发式方法注重可理解性和易于集成到编译器中，而本文提出的方法旨在使诱导模型达到最大性能。
- 模型选择 ：系统地评估各种学习算法及其参数设置，这需要将机器学习工具无缝集成到编译器框架中。
- 评估指标 ：由于在某些情况下，准确性可能不是诱导模型最合适的性能指标，因此对 LICM 预测模型的评估基于估计的最坏情况执行时间（WCET）。

3. LICM 应用的动机示例

常见的尽可能应用 LICM 的策略可能会降低性能。以下是六个代表性基准测试的估计 WCET 情况，100% 表示未应用 LICM 时的 WCET：
| 基准测试 | 应用 LICM 后的 WCET 变化 |
| ---- | ---- |
| iir_biquad_N_sections | 增