10.11896/j.issn.1002-137X.2019.03.048
利用空间优化的增强学习Sarsa改进预取算法
数据中心是高性能计算机的集群中心,CPU集群运行繁忙,不规则的数据结构和算法频繁使用,使得大多数基于时空局部性的预取技术不再适用.文中引用语义局部性的概念,使用增强学习Sarsa算法来近似语义位置,预测不规则数据结构和算法未来的内存访问.由于状态空间和动态空间过大,采用DeepQ-learning方法优化状态-动作空间,将新状态与旧状态拟合,相似则采取相似的做法,从而提高泛化能力.在标准数据集SPECCPU 2006上的实验证明,所提方法的泛化能力强,能够有效提高Cache的命中率.
预取技术、语义局部性、Sarsa、Deep Q-learning、状态-动作空间优化
46
TP302(计算技术、计算机技术)
国家自然科学基金61303029;湖北省自然科学基金重点类项目——创新群体项目2017CFA012;湖北省技术创新专项重大项目2017AAA122
2019-05-24(万方平台首次上网日期,不代表论文的发表时间)
共5页
327-331