Pshare:两级自适应分支预测算法及实现

J4 ›› 2011, Vol. 33 ›› Issue (10): 80-84.

Pshare:两级自适应分支预测算法及实现

张琦滨,李〓强

（江南计算技术研究所，江苏无锡 214083）

收稿日期:2010-05-20 修回日期:2010-10-26 出版日期:2011-10-25 发布日期:2011-10-25

Pshare:A TwoLevel Adaptive Branch Predictor Algorithm and Its Implementation

ZHANG Qibin,LI Qiang

（Jiangnan Institute of Computing Technology,Wuxi 214083,China）

Received:2010-05-20 Revised:2010-10-26 Online:2011-10-25 Published:2011-10-25

摘要/Abstract

摘要：

本文提出了一种结合PAs和Gshare两者优点，同时尽可能消除两者缺点的两级自适应分支预测算法及其实现——Pshare分支预测方法。通过使用单独的BHSR来跟踪不同分支指令的历史轨迹，克服了GAs和Gshare机制中统一历史模式带来的缺点;同时,通过使用分支指令部分地址和历史模式位的杂凑运算来索引共享的一维PHT小表，减少了PAs机制中二维PHT大表的面积开销和索引延时开销。Pshare两级自适应分支预测器用接近Gshare的实现代价，达到了近似PAs的预测精度。该分支预测技术适用于强调单核性能的超标量超流水结构的高性能处理器中，有助于减少垂直浪费，提高单核心的性能和效率。

关键词: 分支预测, 动态预测, 两级自适应, Gshare, PA, Pshare

Abstract:

A branch prediction algorithm and predictor called Pshare is proposed, which has the benefit of PAs and the Gshare predictor,and modifies their flaws due to using a global history pattern by using a separate branch history shift register(BHSR).Moreover it also can reduce the area and delay overhead than PAs by accessing a small PHT table using the hash of address and history patterns instead of accessing two dimensions PHT table using the address and history patterns.The Pshare predictor can obtain the branch prediction accuracy of PAs ,but the implementation overhead is near to Gshare.This predictor is applied to high performance processors which have a superscalar deep pipeline and focuses more on higher core performance.It reduces the pipeline’s vertical waste and improves the core performance and efficiency by using the Pshare predictor.

Key words: branch prediction;dynamic prediction;twoleveladaptive;Gshare;PA;Pshare

张琦滨,李〓强. Pshare:两级自适应分支预测算法及实现[J]. J4, 2011, 33(10): 80-84.

ZHANG Qibin,LI Qiang. Pshare:A TwoLevel Adaptive Branch Predictor Algorithm and Its Implementation[J]. J4, 2011, 33(10): 80-84.

[1]	陈侨安1，李峰1，曹越1，龙明盛1,2. 基于运行数据分析的Spark任务参数优化[J]. J4, 20160101, 38(01): 11-19.
[2]	彭林, 张鹏, 陈俊峰, 唐滔, 黄春. 基于监督学习的稀疏矩阵乘算法优选[J]. 计算机工程与科学, 2025, 47(03): 381-391.
[3]	杜皓, 毛润彰, 邓蕴桐, 黄思路, 徐小文. MiniBranRAP：极小化分支判断数的AMG粗网格矩阵计算并行算法[J]. 计算机工程与科学, 2024, 46(07): 1158-1166.
[4]	魏一, 杨智杰, 铁俊波, 石伟, 周理, 王耀, 王蕾, 徐炜遐. 基于蜂鸟E203的多级动态分支预测器[J]. 计算机工程与科学, 2024, 46(05): 785-793.
[5]	佟缘, 姚念民. 基于对span的预判断和多轮分类的实体关系抽取[J]. 计算机工程与科学, 2024, 46(05): 916-928.
[6]	王英, 陈文祺, 韩耀郴. 基于元学习和图滤波器的节点分类研究[J]. 计算机工程与科学, 2023, 45(12): 2274-2280.
[7]	赵玥, 肖梦燕, 邱宝军, 罗军, 王小强, 罗道军. 基于机器视觉的集成电路声扫图像缺陷检测软件设计[J]. 计算机工程与科学, 2023, 45(10): 1806-1813.
[8]	王星苏, 熊文, 张瑞. 海量地铁乘客轨迹相似性连接方法：以深圳地铁为例[J]. 计算机工程与科学, 2023, 45(08): 1383-1392.
[9]	李宝峰, 黎铁军, 刘勇辉, 马柯帆, 罗煜峰, 姚信安. 56 Gbps高速信号传输系统仿真验证设计[J]. 计算机工程与科学, 2023, 45(02): 228-236.
[10]	吕鹤轩, 黄山, 艾力卡木·再比布拉, 吴思衡, 段晓东, . Flink水位线动态调整策略[J]. 计算机工程与科学, 2023, 45(02): 237-245.
[11]	孙国璋, 黄山, 艾力卡木·再比布拉, 徐浩桐, 段晓东, . 基于Flink的k-支配skyline体并行求解算法[J]. 计算机工程与科学, 2023, 45(01): 17-27.
[12]	胡艳芳, 熊文, 高炜. 基于 Spark 平台的网络游戏用户流失预测方法[J]. 计算机工程与科学, 2022, 44(10): 1730-1737.
[13]	王克克, 郭莉丽, 郎静宏 . 基于STAMP模型的风险评估行为安全指标体系[J]. 计算机工程与科学, 2022, 44(08): 1372-1381.
[14]	李文佳, 史岚, 季航旭, 罗意彭. 面向Flink的负载均衡任务调度算法的研究与实现[J]. 计算机工程与科学, 2022, 44(07): 1141-1151.
[15]	卞琛, 修位蓉, 于炯. 异构Spark集群数据倾斜修正调度策略[J]. 计算机工程与科学, 2022, 44(04): 620-630.