| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 背景和意义 | 第9-11页 |
| 1.1.1 背景 | 第9-10页 |
| 1.1.2 意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的主要工作与研究目标 | 第13-14页 |
| 1.3.1 主要工作 | 第13页 |
| 1.3.2 研究目标 | 第13-14页 |
| 1.4 论文组织 | 第14-15页 |
| 第二章 Cache与传统的Cache模型 | 第15-29页 |
| 2.1 Cache简介 | 第15-19页 |
| 2.1.1 Cache的基本原理 | 第15-16页 |
| 2.1.2 Cache的设计参数 | 第16-19页 |
| 2.2 基于堆栈距离的Cache建模 | 第19-21页 |
| 2.2.1 堆栈距离 | 第19页 |
| 2.2.2 利用堆栈距离的Cache建模 | 第19-21页 |
| 2.3 乱序执行机制对访存流的影响 | 第21-25页 |
| 2.3.1 乱序执行的基本原理 | 第21-22页 |
| 2.3.2 乱序执行对访存流的影响因素 | 第22-25页 |
| 2.4 采用ANN对乱序处理器Cache建模 | 第25-27页 |
| 2.4.1 人工神经网络简介 | 第25-27页 |
| 2.4.2 应用ANN构建Cache模型 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于ANN的乱序访存Cache建模 | 第29-45页 |
| 3.1 前期的基于ANN的Cache模型 | 第29-30页 |
| 3.2 采用聚类算法选取训练集 | 第30-33页 |
| 3.2.1 聚类算法类型介绍 | 第30-31页 |
| 3.2.2 采用K-means聚类算法优化训练集 | 第31-33页 |
| 3.3 采用Cache命中率作为模型输出 | 第33-34页 |
| 3.4 基于ANN的乱序访存Cache模型实现方法 | 第34-43页 |
| 3.4.1 使用Gem5仿真器获取训练数据 | 第34-40页 |
| 3.4.1.1 Gem5仿真器简介 | 第34-35页 |
| 3.4.1.2 Gem5仿真器的启动配置 | 第35-37页 |
| 3.4.1.3 堆栈距离分布的获取 | 第37-40页 |
| 3.4.2 使用K-means聚类算法提取训练集 | 第40-41页 |
| 3.4.3 ANN模型训练 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 实验结果与分析 | 第45-55页 |
| 4.1 实验环境设置 | 第45-46页 |
| 4.2 基于ANN的Cache模型精度验证 | 第46-50页 |
| 4.2.1 不同训练集对模型精度的影响 | 第46-50页 |
| 4.2.2 不同Cache配置下的模型精度验证 | 第50页 |
| 4.3 基于ANN的Cache模型时间分析 | 第50-52页 |
| 4.4 结果分析 | 第52页 |
| 4.5 本章小结 | 第52-55页 |
| 第五章 Cache行为模型工具的设计 | 第55-67页 |
| 5.1 Cache行为模型工具的整体架构 | 第55-57页 |
| 5.2 Cache行为模型工具的实现 | 第57-62页 |
| 5.2.1 数据采集模块 | 第57-59页 |
| 5.2.2 聚类模块 | 第59-60页 |
| 5.2.3 ANN模型训练模块 | 第60页 |
| 5.2.4 图形用户界面模块 | 第60-61页 |
| 5.2.5 Cache命中率预测模块 | 第61-62页 |
| 5.3 Cache行为模型工具的执行过程 | 第62-66页 |
| 5.3.1 模型训练执行流程 | 第63-64页 |
| 5.3.2 工具使用执行流程 | 第64-65页 |
| 5.3.3 工具的应用场景 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-73页 |