读paper

晚上读了一篇paper,是Proceedings of the 34th annual international symposium on Computer architecture上的《Analysis of Redundancy and Application Balance in the SPEC CPU2006 Benchmark Suite》。

这篇paper主要针对SPEC CPU2006基准测试套件的冗余性和平衡性问题进行了研究，作者考虑到有使用小部分测试组件来进行测试的需要，所以对如何选择子套件给出指导意见。文中通过在不同系统上使用性能计数器以及一些统计技术（如PCA和聚类分析）来分析套件中各个基准程序之间的相似度和冗余度，并最终给出了有价值的子套件。

SPEC CPU2006包含了10个整数型程序和17个浮点数型程序，和2000相比，除了INT型还保留了3个外，其他都换掉了。基准程序要求覆盖应用面要广，同时程序之间的相似度又不能太大，否则就冗余了，这就是一个平衡性的问题了。

作者首先给出了进行分析的几个方面：指令混合度，指令局部性，数据局部性（主要通过cache和快表的命中 来分析），分支预测性，接着引入了本文中最重要的分析方法论：PCA和聚类分析。

用 PCA来消除误差，其实就是进行加权处理。聚类分析的职能是建立一种分类方法，它是将一批样品或变量，按照它们在性质上的亲疏程度进行分类。距离的种类很多，其中欧式距离在聚类分析中用得最广。 当确定了样品之间的距离之后，就要对样品进行分类。分类的方法很多，本节只介绍系统聚类法，它是聚类分析中应用最广泛的一 种方法。首先将n个样品每个自成一类，然后每次将具有最小距离的两类合并成一类，合并后重新计算类与类之间的距离，这个过程一直持续到所有样品归为一类为 止。分类结果可以画成一张直观的聚类谱系图。

应用系统聚类法进行聚类分析的步骤如下：

确定待分类的样品的指标；

收集数据；

　　对数据进行变换处理（如标准化或规格化）；

　　使各个样品自成一类，即n个样品一共有n类；

　　计算各类之间的距离，得到一个距离对称矩阵，将距离最近的两个类并成一类；

　　并类后，如果类的个数大于1，那么重新计算各类之间的距离，继续并类，直至所有样品归为一类为止；

　　最后绘制系统聚类谱系图，按不同的分类标准或不同的分类原则，得出不同的分类结果。

整个文章最大的亮点是第3章的方法论部分，确实是整篇的核心点，研究思路很赞。。。