【基于人工神经网络的线程数据加速划分】
在现代计算机科学中，随着多核处理器的发展，线程级并行化（Thread-Level Parallelism，TLP）成为提高程序性能的重要手段。线程级推测（Thread-Level Speculation，TLS）是实现这一目标的关键技术，它允许串行程序被自动并行化，生成的多个线程可以并行执行，以提高程序的运行效率。然而，如何有效地进行线程数据划分以最大化并行性能是面临的一大挑战。
传统的线程划分方法可能无法充分利用所有硬件资源，而机器学习方法，特别是人工神经网络（Artificial Neural Networks, ANNs），为解决这一问题提供了新的视角。本文提出了一种基于人工神经网络的线程数据加速划分模型，该模型能够学习样本集中的隐藏划分知识，并将其应用到新的程序中。
在模型构建过程中，样本集包含的每个样本由其特征和相应的划分方案组成。这些特征描述了程序的行为和结构特性，如循环结构、依赖关系、数据访问模式等，而划分方案则指定了如何将程序分割成可并行执行的线程。通过神经网络，样本的特征作为输入，对应的划分方案作为输出进行训练，直到达到预定的预测精度。
在测试阶段，对未划分的新程序进行预执行，提取其特征信息，然后输入到训练好的模型中，模型会输出针对该程序的最优划分方案。实验结果表明，该模型在Prophet实验平台上平均预测精度约为0.7，且根据提出的划分方案进行程序划分后，相比于原始划分方案，加速比性能最高提升了11.8%。
这一成果证明了基于神经网络的方法在预测未知程序的划分方案方面具有较高的准确性和有效性，对于提升多核处理器上的程序执行效率具有重要意义。此外，该模型的适应性使其能够处理各种复杂程序，有助于推动线程级并行化技术在实际应用中的进一步发展。
关键词：系统结构；人工神经网络；样本集；划分方案；预测模型
中图分类号：TP338.6
DOI：10. 3969/j. issn. 1672-9730. 2019. 01. 021
通过这种方式，本文不仅展示了人工神经网络在数据加速划分中的潜力，还强调了深度学习和机器学习在优化计算性能中的关键作用。这种基于神经网络的模型不仅可以应用于多核处理器的优化，也可能为其他领域的数据处理和性能提升提供借鉴，比如云计算、高性能计算、以及实时数据分析等。
