[发明专利]CPU-GPU异构环境中对GPU应用的性能评估方法及系统

权利要求书

1.CPU-GPU异构环境中对GPU应用的性能评估方法，其特征在于，包括离线决策树构建和在线性能评估：

所述离线决策树构建包括以下步骤：

(S1)提取不同GPU应用在运行过程中的多条样本监控记录组成样本监控数据集，每条样本监控记录包含多个表征GPU应用运行状态的特征；

(S2)从样本监控数据集中筛选出对GPU性能影响最大的特征，将其作为根节点；按照根节点取值大小将样本监控数据集划分为多个子集，从每一子集中分别筛选出对GPU性能影响次大的特征，将其作为第一层子节点；按照上述相同的方式筛选出余下层次的子节点，从而构建按照对GPU性能影响大小对特征排序的决策树；

所述在线性能评估包括以下步骤：

(T1)从待分析GPU应用的运行过程中提取待分析监控记录；

(T2)将待分析监控记录与所述离线构建的决策树进行匹配，得到对GPU性能影响的特征排序组合；

(T3)根据步骤(T2)得到的特征排序组合，在特征排序组合与GPU性能关注点的映射关系进行查询，得到待分析监控记录对应的GPU性能关注点；

所述步骤(S2)中筛选根节点具体包括：

(S21)计算样本监控数据集的信息熵；

(S22)针对每一特征，按照其不同取值将样本监控数据集划分为多个子集，计算每个子集的信息熵，对每个子集的信息熵进行加权求和得到该特征的信息熵；

(S23)分别计算样本监控数据集的信息熵与各特征的信息熵的差值得到各特征的信息增益；

(S24)将信息增益最大的特征作为根节点。

2.根据权利要求1所述的CPU-GPU异构环境中对GPU应用的性能评估方法，其特征在于，所述步骤(S22)中加权求和的权重系数为子集中的记录数占样本监控数据集的记录数的比例。

3.根据权利要求1或2所述的CPU-GPU异构环境中对GPU应用的性能评估方法，其特征在于，所述步骤(S1)还对样本监控记录进行归一化处理。

4.根据权利要求1或2所述的CPU-GPU异构环境中对GPU应用的性能评估方法，其特征在于，所述性能关注点包括计算、内存、同步和资源；所述计算包括线程分歧和负载不均衡两个子问题；所述内存包括全局内存中的非规则访问、共享内存中的bank conflict、cache命中率低三个子问题，所述同步指各种stall导致的等待时间过长的问题；所述资源指GPU资源占用率低，反映出来的应用程序执行时并行度低的问题。

5.CPU-GPU异构环境中对GPU应用的性能评估系统，其特征在于，包括离线决策树构建模块和在线性能评估模块：

所述离线决策树构建模块包括以下模块：

样本特征提取模块，用于提取不同GPU应用在运行过程中的多条样本监控记录组成样本监控数据集，每条样本监控记录包含多个表征GPU应用运行状态的特征；

决策树构建模块，用于从样本监控数据集中筛选出对GPU性能影响最大的特征，将其作为根节点；按照根节点取值大小将样本监控数据集划分为多个子集，从每一子集中分别筛选出对GPU性能影响次大的特征，将其作为第一层子节点；按照上述相同的方式筛选出余下层次的子节点，从而构建按照对GPU性能影响大小对特征排序的决策树；

所述在线性能评估模块包括以下模块：

待评估特征提取模块，用于从待分析GPU应用的运行过程中提取待分析监控记录；

特征匹配模块，用于将待分析监控记录与所述离线构建的决策树进行匹配，得到对GPU性能影响的特征排序组合；

查询模块，用于根据特征匹配模块得到的特征排序组合，在特征排序组合与GPU性能关注点的映射关系进行查询，得到待分析监控记录对应的GPU性能关注点；

所述决策树构建模块包括：

信息熵计算子模块，用于计算样本监控数据集的信息熵；

特征信息熵计算子模块，用于按照其不同取值将样本监控数据集划分为多个子集，计算每个子集的信息熵，对每个子集的信息熵进行加权求和得到该特征的信息熵；

特征信息增益计算子模块，用于分别计算样本监控数据集的信息熵与各特征的信息熵的差值得到各特征的信息增益；

根节点构建子模块，用于将信息增益最大的特征作为根节点。