迭代编译优化技术综述

首先介绍了迭代编译的基本概念,然后讨论了其起源与发展,对其研究现状进行综述,主要包括优化空间的表述、优化空间的开发与搜索以及对数据输入集的敏感度分析三个方面。然后分析了目前迭代编译技术中所存在的不足。最后指出了迭代编译的未来发展趋势。     

一种基于增量式实例学习的迭代编译方法

为提高编译器的自适应性,以应对复杂的体系结构,提出一个结合迭代编译和机器学习的编译框架。编译器可将在优化空间中搜索到的最佳编译选项信息保存到知识库中,并能从知识库中学习获得适合当前程序的最佳编译选项。实例学习算法具有增量式的特点,可有效利用编译过程中积累的数据。通过避免冗余实例入库以及从库中剔除噪声实例,保证学习的精度与效率。     

结合模型和迭代编译优化矩阵相乘程序

高性能计算应用程序获得的持续性能与机器峰值性能的差距日益扩大,很大程度上制约着高性能计算的发展。程序变换通过对程序进行适应机器体系结构特征的优化变换,提高程序实际执行性能,是解决该问题的有效途径之一。很多高级程序变换均具有数值参数,为了获得最优性能,需要仔细选择参数的值。传统的编译器使用简单的模型选择这些参数,难以适应日趋复杂的硬件平台和应用程序。迭代编译通过生成不同的程序版本并在实际硬件评估上运行程序,来评估关键优化参数的值并决定能够产生最优性能的值,显著优于静态方法,但巨大的优化开销限制了其应用范围。本文针对矩阵相乘程序提出一种结合性能模型和迭代编译的优化方法,利用基于对机器体系结构和程序的经验知识构造性能模型约束优化空间,并使用遗传算法加速在优化空间中寻找优秀解的过程。实验结果表明,该方法可以较低的开销获得更优的性能优化效果。     

反馈式编译优化在转移预测中的研究

处理器性能的发挥常常受到转移指令的限制,所以转移预测的成功与否对于处理器的性能影响至关重要。反馈式编译优化是一种基于程序当前和以前运行时的趋势来改变程序以后执行动作的技术,能够提供给编译器一些有用的优化信息。本文针对ALPHA中的结构特点,利用反馈式编译优化技术,提高了ALPHA中的转移预测命中率,实验结果表明,加速比效果较为明显。     

面向多核体系结构的并行迭代编译技术研究

迭代编译技术是一种编译优化技术,目前学术研究已经证明将迭代编译技术运用于程序优化能够显著提高程序性能。但是,因为迭代编译需要多次编译运行程序,整个迭代过程耗时巨大。为了运用当前普遍存在的多核计算资源,加快迭代编译过程,对当前新提出的迭代编译框架OpenTuner进行修改,将迭代编译过程中的评估阶段改为并行执行。同时,探索迭代编译评估阶段并行化对优化效果的影响,并对此做出分析。     

基于反向K近邻的孤立点检测算法

提出了基于反向K近邻（RKNN）的孤立点检测算法ODRKNN。ODRKNN算法用每个数据点的反向k近邻个数来衡量该数据点的偏离程度,在综合数据集和真实数据集上的实验结果表明,该算法能有效地检测出孤立点,且算法的效率高于算法LOF和LSC的效率.     

基于迭代编译的中文编程方法

随着网络的快速发展,国人已不满足于英文编程,易语言、习语言、O语言等中文编程语言如雨后春笋般出现,发展至今相继进入了瓶颈期。笔者主要通过对典型中文编程语言的研究,分析现有编程软件的限制因素,为今后中文编程的发展提供新的方向。     

反馈式编译优化在寄存器分配中的应用技术

寄存器分配技术是编译器最为关键的优化技术之一.反馈式编译优化是一种基于程序当前和以前运行时的趋势来改变程序以后执行动作的技术,它能够提供给寄存器分配一些有用的优化信息.在分析Open64编译器反馈式编译优化技术的基础上,基于ALPHA结构实现和扩展了反馈式编译优化在寄存器分配中的应用,获得了较好的优化性能.     

基于MST的优化技术:监督式编译

为将监督式编译技术(supercompilation)的应用扩展到其它程序语言上,分析了监督式编译的各种算法,并进行了对比,总结了不同算法的优缺点。从研究和应用两方面对监督式编译进行分析,并提出新的发展方向。在此基础上,将其它基于系统转换(metasystem transition,MST)的优化技术与监督式编译进行比较,并通过实例结果表明了监督式编译技术的优化能力强于部分求值和砍伐法。     

基于机器学习的心脏病风险预测和风险因素分析

心脏病对人体的危害极大,甚至威胁人们的生命。基于此,通过机器学习预测心脏病,可以指导高危人群预防并降低患病风险。相比于医院检测,机器学习可以节约大量时间,并预测心脏病发病的风险。通过查询UCI数据集收集整理的303名心脏病患者的医疗记录,运用随机森林、决策树、逻辑回归以及K近邻等模型进行实验,通过对比数据中风险因素间的相关性得出,K近邻的效果更好,预测准确率高达91%。     

基于路口相位方案优化设计的城市道路交通信号迭代学习控制方法研究

城市道路交叉口信号控制是交管工作持续关注的课题,关于协调好有限的道路资源与日益增长的交通需求之间的矛盾,有着至关重要的作用。由于道路自身条件约束,交通流的组成特点复杂,路网交通路呈现非线性动态特征,无法进行精准的数学建模控制。本文提出的迭代学习控制方法,根据交通流的组成和变化特点调整信号控制周期及有效绿灯时长,实现交通信号动态优化控制,保证车辆在路网中能够高效、平稳地通行,是针对非线性动态交通流的一种动态寻优控制算法,能够有效减少路口车辆等待时间、提高通行效率。考虑对不同相位设计方案的适应性,在传统配时优化模型的基础上,构建综合相位设计元素的交通信号迭代学习控制模型,并通过Vissim仿真软件和Python编程语言搭建仿真测试环境,验证了提出模型的有效性。     

基于机器学习的动态分区并行文件系统性能优化

近年来,随着大数据、云计算技术的发展,应用系统越来越集中,规模亦越来越大,使得存 储系统的性能问题越来越突出。为应对其性能要求,并行文件系统得到了大量的应用。然而现有的并 行文件系统优化方法,大多只考虑应用系统或并行文件系统本身,较少考虑两者之间的协同。该文基 于应用系统在并行文件系统上的访问模式对存储系统的性能有显著影响这一特点,提出基于动态分区 的并行文件系统优化方法。首先,利用机器学习技术来分析挖掘各个性能影响因素和性能指标之间的 关系和规律,生成优化模型。其次,以优化模型为基础,辅助并行文件系统的参数调优工作。最后, 基于 Ceph 存储系统进行原型实现,并设计了三层架构应用系统进行了性能测试,最终达到优化并行 文件系统访问性能的目的。实验结果表明,所提出方法可以达到 85% 的预测优化准确率;在所提出模 型的辅助优化下,并行文件系统的吞吐量性能得到约 3.6 倍的提升。     

Learning-Based Artificial Algae Algorithm with Optimal Machine Learning Enabled Malware Detection

Malware is a ‘malicious software program that performs multiple cyberattacks on the Internet, involving fraud, scams, nation-state cyberwar, and cybercrime. Such malicious software programs come under different classifications, namely Trojans, viruses, spyware, worms, ransomware, Rootkit, botnet malware, etc. Ransomware is a kind of malware that holds the victim’s data hostage by encrypting the information on the user’s computer to make it inaccessible to users and only decrypting it; then, the user pays a ransom procedure of a sum of money. To prevent detection, various forms of ransomware utilize more than one mechanism in their attack flow in conjunction with Machine Learning (ML) algorithm. This study focuses on designing a Learning-Based Artificial Algae Algorithm with Optimal Machine Learning Enabled Malware Detection (LBAAA-OMLMD) approach in Computer Networks. The presented LBAAA-OMLMD model mainly aims to detect and classify the existence of ransomware and goodware in the network. To accomplish this, the LBAAA-OMLMD model initially derives a Learning-Based Artificial Algae Algorithm based Feature Selection (LBAAA-FS) model to reduce the curse of dimensionality problems. Besides, the Flower Pollination Algorithm (FPA) with Echo State Network (ESN) Classification model is applied. The FPA model helps to appropriately adjust the parameters related to the ESN model to accomplish enhanced classifier results. The experimental validation of the LBAAA-OMLMD model is tested using a benchmark dataset, and the outcomes are inspected in distinct measures. The comprehensive comparative examination demonstrated the betterment of the LBAAA-OMLMD model over recent algorithms.     

Learning hierarchical clustering from examples — application to the adaptive construction of dissimilarity indices

A classical problem of Pattern Recognition consists in looking for an operator of classification (a ‘classifier’) induced from a learning set on which classes are known. A problem frequently encountered in practice is that of looking for an operator of clustering (a ‘clusterfier’, in opposition to ‘classifier’) from a learning set on which clusters are also known. In the first case, we have to find an operator which allocates each new object to one of the classes defined by the learning set. In the second case, we have to find an operator which detects classes in the complete population, taking in account as well as possible the information given by the classes on the learning set. We propose a new approach permitting to induce and aggregation index from knowledge acquiring on the learning set; the aggregation index thus obtained permits to induce a hierarchy which infers the desired classes on the whole population.

A nearest neighbours algorith with validity constraints has been realized to induce the final hierarchy. We obtain a CPU time clearly shorter than with the classical hierarchical ascending classification algorithm which does not use inference.

This program has permitted to find aggregation indices adapted to particular learning sets (elongated classes, spherical class with central kernel, half spherical class with central kernel, noising elongated classes…), and some of new indices permit to recognize more specific classes than the usual indices.     

Control-Sensitive Feature Selection for Lazy Learners

High sensitivity to irrelevant features is arguably the main shortcoming of simple lazy learners. In response to it, many feature selection methods have been proposed, including forward sequential selection (FSS) and backward sequential selection (BSS). Although they often produce substantial improvements in accuracy, these methods select the same set of relevant features everywhere in the instance space, and thus represent only a partial solution to the problem. In general, some features will be relevant only in some parts of the space; deleting them may hurt accuracy in those parts, but selecting them will have the same effect in parts where they are irrelevant. This article introduces RC, a new feature selection algorithm that uses a clustering-like approach to select sets of locally relevant features (i.e., the features it selects may vary from one instance to another). Experiments in a large number of domains from the UCI repository show that RC almost always improves accuracy with respect to FSS and BSS, often with high significance. A study using artificial domains confirms the hypothesis that this difference in performance is due to RC's context sensitivity, and also suggests conditions where this sensitivity will and will not be an advantage. Another feature of RC is that it is faster than FSS and BSS, often by an order of magnitude or more.     

可变学习增益的迭代学习控制律

基于迭代学习控制理论提出了一种可变学习增益的迭代学习律,在非线性系统中对期望轨迹进行跟踪,与学习增益不变的迭代学习控制相比较,收敛速度得到很大的提高;通过对其收敛性进行严格的数学证明,得到了迭代学习律收敛的充分条件;在单机无穷大系统中,将该控制律应用于同步发电机的励磁控制,仿真结果表明该控制律的有效性,改善了控制的动态特性,有利于提高电力系统稳定性.     

迭代学习控制在励磁控制器设计中的应用

将迭代学习控制理论应用于励磁控制器的设计中,提出了一种新的设计方法,克服了迭代学习控制在有限时间区间上实现完全跟踪的限制.该方法设计的控制器结构简单,可获得较佳的静态和动态特性.采用MATLAB/Simulink软件对单机-无穷大系统进行仿真,结果表明了该方法的有效性和一般性.     

往复式编译优化技术的新进展

计算机体系结构的不断演进使现代计算环境日益复杂化.这要求编译优化能够在充分利用硬件特性的同时适应适应这一演进.往复式编译优化技术通过对程序施以不同的转换并根据试运行的结果来指导对大而复杂的优化空间的搜索,有关研究表明适当的搜索算法可以找到其中好的点,从而显著提高程序运行性能.本文介绍了这项技术的基本思路和实现技术,简要回顾当前该领域内的前沿研究工作,并结合作者的相关经验,深入讨论其未来发展方向.     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.