PPM (Prediction by Partial Matching)

TAGE是PPM的改进版本，两者在数据的更新方式(主要是u值)上有所区别，但是在总体架构上基本相似。

PPM架构: (Michaud Pierre 2005)
最为左边的部分(bimodal bank)是一个由部分PC直接索引的3-bits饱和计数器，充当本地预测器。与一般的饱和计数器不同，附带了一个m位(meta-predictor 代表全局预测器的有效性)。右边的四个部分是四个类似Gshare的预测器，把本地PC和全局分支历史通过Hash结合到一起。其中心思想在于构造一个竞争预测器以本地的预测作为基础，而使用带有全局分支信息的多个作用条件更强的预测器作为辅助，辅助预测器适用的作用条件越强，其预测的上下文越具体，其预测在和其他预测器竞争时可信度越高。这样就在进入和脱离特定上下文时减少了惯性，而在上下文具有典型的特征时作出准确的预测。
在预测时，PC和不同长度的全局分支历史通过索引Hash(此处是带折叠的XOR)得到索引值，而后得到饱和计数器ctr值，8-bit的tag值和u(useful 代表记录的有效性)值，同时PC和不同长度的全局分支历史通过校验Hash(随便起的名字，是图上右边的hash函数，用于校验的hash函数和用于索引的函数是不同的)得到8-bit校验值，比较该值和查找表中的tag值，如果两者相同则控制底部的Mux选择Mux右边输入(ctr高位的输出)，如该不同则选择Mux左边输入的值(前一级传入输出)。这样预测器则总会选择tag和Hash输出命中的具有最长全局分支历史的预测器的预测结果，如果tag一个都没命中，则选择本地预测器结果。
在更新时，由于得到了预测是否正确的信息，需要更新预测器的状态。对于饱和计数器而言，只有在作出最终Prediction的那个Bank的3-bits饱和计数器会被更新，其余四个Bank的对应位置的3-bits饱和计数器不会被更新。如果预测错误，就表明在作出该预测时的上下文不具有典型性，预测器就需要对该上下文作出识别，即把该上下文的信息添加到更符合特殊情况(更右边)的预测器中，这样在再次遇到类似情形时就可以更准确的识别预测。其更新的策略为，选取比当前预测器更右的u为0(暗示该记录是过时无效的)的预测器加入记录并把对应u置1，如果所有u都为1,则随机更新。在更新是还需要设置饱和计数器ctr的值，在m位为1时根据真实结果更新为3或4，在m为0时更新为最左边预测器(本地预测器)的预测结果。更新m和u的值仅发生在本地预测器和最终预测结果不同时，如该最终正确则同时置1,否则同时置0。原因在原文中有所分析：如果最终结果正确那么全局预测自然有效(m)，对应记录也有效(u)。

TAGE (partially TAgged GEometric history length branch prediction)

TAGE架构: (Seznec André & Michaud Pierre 2006)
TAGE明确的提出了使用几何级数(Geometric series)作为全局分支历史长度，由于PPM原理在于对不同规模上下文的分离预测，使用几何级数序列达到了较好的各级分离度。
在TAGE中u是一个2-bit饱和计数器，生成结果的预测器被称为provider component，当provider component无效时生成结果的预测器被称为altpred，u更新发生在provider component和altpred结果不同时，策略与PPM类似，当正确时增加，错误时降低。此外为了解决PPMu位不易变化的问题，会周期的重置u的高位和低位。在更新pred(ctr)值时，provider component的总是会被更新，而和PPM不同的是，在预测错误时需要更右侧(不包括最右侧)的被更新时，如果有u为0,则倾向更新较靠左边的，pred置为weak correct，u置0，这样可以对上下文匹配的抽象和具体之间可以达到更好的权衡，如果所有u非0，则不改变pred，所有u减去1。

TAGE Predictor相关推荐

TAGE-SC-L Branch Predictors
[摘要] TAGE被认为是最有存储效率的全局历史信息分支预测器.Andre就指出TAGE加上statistical corrector(SC)和loop predictor会更加高效.CBP-4tra ...
RISC-V BOOM核学习
来源:RISC-V BOOM documentation RISC-V BOOM核学习 The Berkeley Out-of-Oder Machine INTRODUCTION RV64GC Fig ...
IEEE-Micro 2021-2010年间CPU Micro-architecture方向文章总结
2021 IBM's POWER10 Processor 服务器特性概述提升20%性能和30%core 吞吐量(相对于power9) 优化矩阵运算 1TB/s的跨系统存储集群带宽模块化die,支 ...
predictor = dlib.shape_predictor()关键点预测器用法
predictor = dlib.shape_predictor('data/data_dlib/shape_predictor_68_face_landmarks.dat') 功能:标记人脸关键点 ...
成功解决 shape = predictor(img, dets[0]) IndexError: Index out of range
成功解决 shape = predictor(img, dets[0]) IndexError: Index out of range 目录解决问题解决方法解决问题 shape = pre ...
matlab中predictor怎么填,在MATLAB中求解非線性有限元
我嘗試在MATLAB中求解帶有節點熱源的四面體有限元的熱擴散問題,這個節點取決於解矢量.非線性方程系統如下:在MATLAB中求解非線性有限元乙U」 + A U = Q(T) 與B是熱capactiy ...
【演化计算】【论文研读】Surrogate-Assisted Evolutionary DL Using E2E Random Forest-based Performance Predictor
Surrogate-Assisted Evolutionary Deep Learning Using an End-to-End Random Forest-based Performance Pr ...
论文阅读：A Novel Graph based Trajectory Predictor with Pseudo Oracle
A Novel Graph based Trajectory Predictor with Pseudo Oracle 摘要 1 引言 2 相关工作 3 PROPOSED METHOD IV. EXP ...
dlib.get_frontal_face_detector(), Python format 格式化函数 predictor(img, dets[0])
detector = dlib.get_frontal_face_detector() # 人脸检测dets = detector(img, 1)# len(dets) 即为检测到的人脸个数print ...
JSTSP2016 Fully Deep Blind Image Quality Predictor
这是一个直接用CNN做IQA的工作,直接输入图像不提取特征,借用FR-IQA方法解决了训练数据不足.大量图像没有MOS等问题. 文章首先提出NR-IQA与FR-IQA的区别--是否利用了原始图片信息: ...

TAGE Predictor

PPM (Prediction by Partial Matching)

TAGE (partially TAgged GEometric history length branch prediction)

TAGE Predictor相关推荐

最新文章

热门文章