北京航空航天大学学报 ›› 2018, Vol. 44 ›› Issue (4): 792-801.doi: 10.13700/j.bh.1001-5965.2017.0297

• 论文 • 上一篇    下一篇

基于半监督集成学习的多核设计空间探索

李丹丹1, 姚淑珍1, 王颖2, 王森章3, 谭火彬4   

  1. 1. 北京航空航天大学计算机学院, 北京 100083;
    2. 中国科学院计算技术研究所计算机体系结构国家重点实验室, 北京 100190;
    3. 南京航空航天大学计算机科学与技术学院, 南京 211106;
    4. 北京航空航天大学软件学院, 北京 100083
  • 收稿日期:2017-05-11 出版日期:2018-04-20 发布日期:2018-04-27
  • 通讯作者: 姚淑珍 E-mail:szyao@buaa.edu.cn
  • 作者简介:李丹丹,女,博士研究生。主要研究方向:处理器设计、机器学习、软件工程技术;姚淑珍,女,博士,教授,博士生导师。主要研究方向:先进软件工程技术、形式化方法、Petri网理论;王颖,男,博士,讲师。主要研究方向:存储系统、节能加速器、容错体系结构;王森章,男,博士,副研究员。主要研究方向:数据挖掘、社交网络分析、大数据;谭火彬,男,博士,讲师。主要研究方向:软件工程、软件建模。
  • 基金资助:
    航空科学基金(2013ZC51023)

Multicore design space exploration via semi-supervised ensemble learning

LI Dandan1, YAO Shuzhen1, WANG Ying2, WANG Senzhang3, TAN Huobin4   

  1. 1. School of Computer Science and Engineering, Beijing University of Aeronautics and Astronautics, Beijing 100083, China;
    2. State Key Laboratory of Computer Architecture, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China;
    3. College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China;
    4. School of Software, Beijing University of Aeronautics and Astronautics, Beijing 100083, China
  • Received:2017-05-11 Online:2018-04-20 Published:2018-04-27
  • Supported by:
    Aeronautical Science Foundation of China (2013 ZC51023)

摘要: 随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost(SSLBoost)模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机(SVM)的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。

关键词: 设计空间探索, 半监督学习, 集成学习, AdaBoost, 微处理器, 预测模型

Abstract: With the increasing complexity of microprocessor architecture, the design space is growing exponentially and the software simulation technology is extremely time-consuming. Design space exploration becomes one major challenge when processors are designed. The paper proposed an efficient design space exploration method combining semi-supervised learning and ensemble learning techniques. Specifically, it includes two phases:uniform random sampling method is firstly employed to select a small set of representative design points, and then simulation is conducted with the points to constitute the training set; semi-supervised learning based AdaBoost (SSLBoost) model is further proposed to predict the responses of the configurations that have not been simulated. Then the optimal processor design configuration is found. The experimental results demonstrate that compared with the prediction models based on the existing artificial neural network and support vector machine (SVM), the proposed SSLBoost model can build a comparable accurate model using fewer simulations. When the number of simulation examples is fixed, the prediction accuracy of SSLBoost model is higher.

Key words: design space exploration, semi-supervised learning, ensemble learning, AdaBoost, microprocessor, predictive model

中图分类号: 


版权所有 © 《北京航空航天大学学报》编辑部
通讯地址:北京市海淀区学院路37号 北京航空航天大学学报编辑部 邮编:100191 E-mail:jbuaa@buaa.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发