监督学习模型指导的函数级编译优化参数选择方法研究

基于机器学习的迭代编译方法可以在对新程序进行迭代编译时,有效预测新程序的最佳优化参数组合。现有方法在模型训练过程中存在优化参数组合搜索效率较低、程序特征表示不恰当、预测精度不高的问题。因此,基于机器学习的迭代编译方法是当前迭代编译领域内的一个研究热点,其研究挑战在于学习算法选择、优化参数搜索以及程序特征表示等问题。基于监督学习技术,提出了一种程序优化参数预测方法。该方法首先通过约束多目标粒子群算法对优化参数空间进行搜索,找到样本函数的最佳优化参数;然后,通过动静结合的程序特征表示技术,对函数特征进行抽取;最后,通过由函数特征和优化参数形成的样本构建监督学习模型,对新程序的优化参数进行预测。分别采用k近邻法和softmax回归建立统计模型,实验结果表明,新方法在NPB测试集和大型科学计算程序上实现了较好的预测性能。

基于集成学习的编译优化参数选择方法研究

基于机器学习的迭代编译方法是当前迭代编译领域的研究热点,其挑战在于学习算法选择、优化参数搜索及程序特征表示等问题。基于集成学习技术提出一种优化参数组合自动预测方法ELOPS。使用约束多目标粒子群优化算法对优化空间进行搜索,找到样本函数最佳优化参数组合;通过特征—类相关性度量方法对函数特征进行抽取;最后通过由函数特征和最佳参数组合形成的样本构建集成学习模型,对新程序优化参数进行预测。基于两种平台,在NPB测试集和大型科学计算程序上与现有方法进行对比。实验结果表明,ELOPS方法比现有方法具有更好的预测性能。

亲密接触VC6.0编译器

大家可能一直在用 VC 开发软件,但是对于这个编译器却未必很了解。大多数情况下,我们只停留在"使用"它,而不会想去"了解"它。因为它只要—个工具,我们宁可把更多的精力放在 C++语言和软件设计上。我们习惯于这样一种"模式":建立—个项目,然后写代码,然后编译,反反复复调试。不过正所谓"工欲善其事,必先利其器",如果我们对 VC 开发环境很熟悉的话,是不是能够做得更加游刃有余呢?

再谈VC源代码免杀之“鸟枪法”

上次我们讲了基于源代码修改的免杀，方法确实不错，但对于一个庞大的黑客程序，尤其是远控来讲，工作量确实有些庞大，那么是不是没有别的办法了呢？答案当然是否定的，下面我们就开始新的讨论。这些方法可以让我们花费极小的工作量完成最大化的全面免杀，“鸟枪法”的效率还是蛮高的。