| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第一章 引言 | 第14-24页 |
| ·编译器与计算机体系结构 | 第14-16页 |
| ·ORC编译器 | 第16-18页 |
| ·龙芯编译器 | 第18-20页 |
| ·编译优化适应性研究简述 | 第20-21页 |
| ·迭代编译 | 第21页 |
| ·机器学习 | 第21页 |
| ·论文概述 | 第21-22页 |
| ·论文组织结构 | 第22-24页 |
| 第二章 编译优化适应性研究背景 | 第24-42页 |
| ·迭代编译 | 第24-25页 |
| ·面向迭代编译的快速优化衡量方法 | 第25-32页 |
| ·简介 | 第25-26页 |
| ·动态稳定区域 | 第26-29页 |
| ·编译插桩 | 第29页 |
| ·衡量优化 | 第29-30页 |
| ·实验结果 | 第30-32页 |
| ·机器学习 | 第32-33页 |
| ·Meta Optimization | 第33-40页 |
| ·权值函数 | 第33-36页 |
| ·可变长的遗传基因 | 第36-37页 |
| ·构建初始基因 | 第37页 |
| ·计算适应值 | 第37-38页 |
| ·学习流程 | 第38页 |
| ·性能分析 | 第38-40页 |
| ·本章小节 | 第40-42页 |
| 第三章 基于静态分析的快速机器学习 | 第42-62页 |
| ·本章简介 | 第42页 |
| ·优化衡量标准分析 | 第42-48页 |
| ·运行时间作为衡量标准 | 第42-43页 |
| ·基于静态分析的衡量标准 | 第43-48页 |
| ·基于静态分析的快速机器学习框架 | 第48-51页 |
| ·静态分析替代动态执行 | 第49页 |
| ·选取热点区域 | 第49-50页 |
| ·结合profiling的静态分析 | 第50-51页 |
| ·面向寄存器分配的快速机器学习 | 第51-60页 |
| ·溢出代码 | 第51-52页 |
| ·溢出代码的权值函数 | 第52-53页 |
| ·溢出代码敏感的机器学习 | 第53-56页 |
| ·溢出代码与热函数敏感的机器学习 | 第56-60页 |
| ·本章小节 | 第60-62页 |
| 第四章 面向ORC的快速机器学习平台实现和性能分析 | 第62-88页 |
| ·Meta Optimization结构 | 第62-63页 |
| ·驱动ORC进行机器学习 | 第63-72页 |
| ·初始化和完成函数 | 第63-64页 |
| ·替代权值函数 | 第64-67页 |
| ·库函数关联 | 第67-69页 |
| ·运行环境 | 第69页 |
| ·机器学习主程序与编译器通讯协议 | 第69-70页 |
| ·构建训练集合 | 第70-71页 |
| ·表达式语法 | 第71-72页 |
| ·热点函数和热点文件的输入格式 | 第72-73页 |
| ·溢出代码敏感的机器学习实现 | 第73-74页 |
| ·判断热点文件 | 第73页 |
| ·构建适应值 | 第73-74页 |
| ·溢出代码与热点函数敏感的机器学习 | 第74-75页 |
| ·判断热点函数 | 第74页 |
| ·构建适应值 | 第74-75页 |
| ·基于静态分析的机器学习性能分析 | 第75-86页 |
| ·机器学习配置与试验平台 | 第76-77页 |
| ·CPU2000CINT热点函数与热点文件 | 第77-79页 |
| ·学习时间分析 | 第79-80页 |
| ·溢出代码敏感的机器学习适应值变化分析 | 第80-83页 |
| ·溢出代码与热函数敏感的机器学习适应值分析 | 第83-84页 |
| ·CPU2000CINT性能分析 | 第84-86页 |
| ·本章小节 | 第86-88页 |
| 第五章 机器学习衡量模型 | 第88-96页 |
| ·构建机器学习衡量模型的动机 | 第88-90页 |
| ·基于静态分析的机器学习衡量模型 | 第90-91页 |
| ·CPU2000CINT机器学习衡量分析 | 第91-93页 |
| ·基于机器学习衡量模型的分析 | 第93页 |
| ·本章小节 | 第93-96页 |
| 第六章 基于粗糙集的机器学习信息挖掘 | 第96-116页 |
| ·粗糙集基本概念和理论 | 第96-101页 |
| ·简介 | 第96-97页 |
| ·粗糙集基本概念 | 第97-98页 |
| ·约简与核 | 第98-99页 |
| ·知识依赖性 | 第99-100页 |
| ·属性重要性 | 第100页 |
| ·决策表 | 第100-101页 |
| ·数据预处理基本概念 | 第101-103页 |
| ·连续值属性离散化 | 第102-103页 |
| ·机器学习信息挖掘的动机和意义 | 第103-106页 |
| ·整体框架 | 第106-107页 |
| ·数据预处理 | 第107-112页 |
| ·数据采样 | 第107-108页 |
| ·属性选择及构建决策表 | 第108-111页 |
| ·离散化 | 第111-112页 |
| ·属性相对约简与求核 | 第112-113页 |
| ·属性重要性 | 第113-114页 |
| ·信息挖掘结果的应用展望 | 第114页 |
| ·本章小节 | 第114-116页 |
| 第七章 结束语 | 第116-120页 |
| ·本文主要贡献 | 第116-117页 |
| ·下一步工作 | 第117-120页 |
| 参考文献 | 第120-126页 |
| 致谢 | 第126-127页 |
| 作者简历 | 第127页 |