基于人工神经网络的线程数据加速划分

摘要

论文提出一种基于人工神经网络的线程数据加速划分模型.利用该模型学习样本集中隐含的划分知识,来指导新程序的划分.样本中的知识用样本的特征和划分方案组成,它们分别作为网络的输入和输出来训练网络,直至达到指定的精度.在测试阶段,利用测试程序预执行获取的特征信息作为模型输入,运行模型得出该程序的划分方案,作为预测结果.基于Prophet实验平台,该文提出的模型有效地预测出待划分程序的划分方案,平均预测精度约为0.7.而且依据该划分方案指导程序划分后,加速比性能比原有划分方案获得的加速比最大提升了11.8％.实验证明了论文提出的模型在对未知程序划分方案预测方面是有效的.