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]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(07): 1141-1150.
[3]	李金熹, 尹首一, 魏少军, 胡杨. 基于MLIR的数据流模型[J]. 计算机工程与科学, 2024, 46(07): 1151-1157.
[4]	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.
[5]	俞丁翠, 罗龙飞, 宋云鹏, 李文通, 石亮. 面向高密度闪存的内存页大小探索[J]. 计算机工程与科学, 2024, 46(07): 1167-1174.
[6]	施禹, 董攀, 张利军. 一种不规则稀疏矩阵的SpMV方法[J]. 计算机工程与科学, 2024, 46(07): 1175-1184.
[7]	王洁, 付丹阳, . 基于RISC-V的超标量处理器的ROB压缩方法[J]. 计算机工程与科学, 2024, 46(07): 1185-1192.
[8]	华悦琳, 周晓磊, 范强, 王芳潇, 严浩, . 基于分区层次图的海量高维数据学习索引构建方法[J]. 计算机工程与科学, 2024, 46(07): 1193-1201.
[9]	胡小月, 王强, 吕方旭, 许超龙, 张锦. 面向56 Gb/s高速SerDes接收机DSP设计[J]. 计算机工程与科学, 2024, 46(07): 1202-1209.
[10]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[11]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[12]	杜放, 焦健, 焦立博. 基于因果关系的反取证擦除技术检测模型[J]. 计算机工程与科学, 2024, 46(07): 1229-1236.
[13]	郭昌昊, 唐湘云, 翁彧. 基于异步分层联邦学习的数据异质性处理方法研究[J]. 计算机工程与科学, 2024, 46(07): 1237-1244.
[14]	王堃, 李少波, 何玲, 周鹏. 基于改进北方苍鹰优化随机配置网络的网络流量预测模型[J]. 计算机工程与科学, 2024, 46(07): 1245-1255.
[15]	康宇, 史珂豪, 陈佳艺, 曹洋, 许镇义, . 基于度量学习的跨摄像头运动目标重定位方法研究[J]. 计算机工程与科学, 2024, 46(07): 1256-1268.