为解决中央处理器(Central Processing Unit, CPU)性能分析所面临的分析指标复杂、分析过程不具有可解释性、分析结果不可追溯的问题,提出了一种融合ER(Evidence Reasoning)和分层BRB(Belief Rule Base)的CPU性能分析模型.首先,利用ER...为解决中央处理器(Central Processing Unit, CPU)性能分析所面临的分析指标复杂、分析过程不具有可解释性、分析结果不可追溯的问题,提出了一种融合ER(Evidence Reasoning)和分层BRB(Belief Rule Base)的CPU性能分析模型.首先,利用ER算法从不同层面对处理器影响因素进行指标评估,其次,通过分层BRB实现对CPU性能的综合分析,最后,采用鲸鱼优化算法(Whale Optimization Algorithm, WOA)对模型参数优化.通过UCI数据库(University of California Irvine, UCI)计算机硬件数据集验证了模型的有效性.整个分析模型建立在ER算法上,保证了模型推理的可解释性,而分层BRB方法解决了传统BRB的组合规则爆炸问题,同时结合优化算法有效的提高模型的准确度.展开更多
文摘为解决中央处理器(Central Processing Unit, CPU)性能分析所面临的分析指标复杂、分析过程不具有可解释性、分析结果不可追溯的问题,提出了一种融合ER(Evidence Reasoning)和分层BRB(Belief Rule Base)的CPU性能分析模型.首先,利用ER算法从不同层面对处理器影响因素进行指标评估,其次,通过分层BRB实现对CPU性能的综合分析,最后,采用鲸鱼优化算法(Whale Optimization Algorithm, WOA)对模型参数优化.通过UCI数据库(University of California Irvine, UCI)计算机硬件数据集验证了模型的有效性.整个分析模型建立在ER算法上,保证了模型推理的可解释性,而分层BRB方法解决了传统BRB的组合规则爆炸问题,同时结合优化算法有效的提高模型的准确度.