摘要：针对动态可重构处理器的配置信息加载延时,提出了一种基于神经网络的可扩展的重构指令预取机制.增加感受器的历史指令信息,并结合感受器权重构建新型的感受器模型,通过权重与历史指令信息的协同训练学习重构指令调用规律.在处理器运行过程中,提前完成对后续重构指令的预测及配置信息的预取,隐藏指令重构成本.进一步提出了本方法的可扩展实现框架,神经网络的学习结果作为重构指令的关联信息,被移至内存并分布式存储.在重构指令预取时,完成对神经网络学习信息的加载.实验结果表明,该方法对重构指令的预测准确率达91%,综合性能平均提升40%.

摘要：通过对程序调用过程中分支预测空间特性的分析,发现传统神经网络算法在不同函数调用相同子函数时容易出现别名效应,进而提出了一种基于子函数权重索引离散的神经网络分支预测器。该预测器通过调用信息堆栈记录函数调用中的父函数的路径信息,并用该信息离散子函数权重索引,有效降低了由于不同父函数调用相同子函数造成的别名效应。实验结果显示,基于该方法的神经网络分支预测器的预测错误率降低1%～10%。