Investigating the impact of code generation on performance characteristics of integer programs
Notice bibliographique
Résumé
As the complexity of interactions among microprocessors, platforms, and system software increases, compilers play a greater role in extracting performance for applications. Different compiler technologies have contributed significantly in improving the designs of various processor architectures and in delivering end-user performance. Workload analysis of benchmark suites has traditionally focused on understanding the behaviors of the suites under different system configurations and studying the sensitivity of the suites to different system parameters. In this paper, we study the effect of compiler technology and implementation on workload behaviors. This study aims at understanding how performance and its leading metrics behave differently with different compiler implementations targeting the same architecture and programs. We use the quad-core AMD Opteron processors and the SPEC CPU 2006 Integer benchmark to evaluate how various micro-architecture performance metrics are sensitive to three top-performing compilers. Even though all three compilers produce overall good performance, our analysis shows that different compilers may vary widely on individual program performances. Binaries from different compilers vary both in terms of architecture metrics, such as instruction counts and instruction mix distribution, and micro-architecture metrics, such as cache miss rates and branch mis-predictions. For programs with large deviations in some of the metrics, we attribute the differences to the choices or strengths in a particular compiler implementation, for example on function inlining, 32-bit versus 64-bit compilation, software prefetching, vectorization, register allocation, etc.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».