UNC科研课题：芯片战争核心问题：CPU运算效率提升研究

UNC科研课题

芯片战争核心问题：CPU运算效率提升研究

CPU缓存能够减少CPU对内存的读写时间，从而获得程序运行速度的提升。目前的缓存机制都是基于对于CPU访问数据的时空连续性的假设，缓存内存中连续地址的数据以便CPU快速获得并更新数据。

随着CPU芯片缓存的升级换代，LLC( Low Level Cache) 的容量越来越大。然而在多进程的环境中，如果不对CPU缓存进行合理的利用，往往会造成缓存冲突进而浪费性能在清理缓存和重新加载数据进缓存。

本学科的目的在于研究合理的分配缓存机制，能够进一步增加缓存命中率，进而提升在多进程环境下的性能。

CPU访问内存的速度往往是机器运行速度的瓶颈，CPU缓存基于访问数据的时空连续性，提前缓存内存中的连续数据，从而减少CPU访问内存的次数，达到提升机器运行速度的目的。然而在多进程环境中，例如运行着成百上千个进程的服务器，随着进程上下文的切换，CPU缓存里的数据也随着上下文一起切换，在切换的过程中，一方面需要同步缓存数据和内存数据，另一方面增加了缓存丢失率(cache miss)。所以，多进程环境往往由于缓存的频繁刷新，降低了机器的性能。缓存染色机制利用了图论中的染色技术，将CPU缓存根据进程数目划分成不同区域，相邻区域使用不同颜色标识，因此，各个进程只能使用自己所属的缓存区域，当进程上下文切换时，不至于整个缓存失效，从而提升了缓存命中率。

当前的缓存染色机制主要有静态和动态的缓存，动态染色是指当进程需求（例如所需内存的大小）变化时，该进程对应的颜色会发生变化，所以需要操作系统动态的对缓存染色。而静态染色机制在进程创建时就已经决定了该进程所属的颜色。

本课题提出一种新型染色机制，根据进程优先级对着色区域大小进行控制。对于优先级为实时(real time)类别的进程，假设该进程会有更多的执行机会，所以该进程获得更大区域的CPU缓存，保证其在期望时间内执行完毕。该染色机制能够降低高优先级进程的缓存丢失率，加速了高优先级进程的执行速度，在执行完高优先级进程后，低优先级的进程获得更多的缓存空间执行。

科研方法

AI＋X数据驱动型科研

使用人工智能（AI）算法，收集、处理、分析具体学科（X）的海量数据，并基于此进行预测，从而获得科学发现的研究方法。与传统的、基于实验或逻辑推理的研究方式相比，AI＋X数据驱动型科研可以借助AI算法强大的运算能力，高效地进行大数据分析，具有投入产出比高、适用范围广的优点。

AI＋X数据驱动型科研已被广泛地应用于各个领域，利用AI算法研究基因数据，从而进行早期的癌症筛查便是其中一例。基因组与癌症病患的数据千千万万，使用传统的科研方式对其进行分析，工程量大、过程繁琐，在客观上难以实现。

但借助AI算法这一便捷的工具，生命科学家便能够以海量的患者的遗传信息为基础，建立数据库，与过往的研究成果进行对照，快速、准确地在两者中发现规律、建立联系，从而使癌症诊断的“标准化”成为可能。

---

课题要求

本课题适合： 9-12 年级学生，有较强的逻辑思维和抽象思维能力：

英文：
1、具备基本的学术英语阅读能力；
2、接触过英文写作，有论文写作经验者更佳；

 

数学：
1、概率统计基础知识；
2、建模基础知识；

 

计算机：
1、编程、操作系统基础知识；
2、有c或者c++ 在Linux系统编程的经验为佳。