UNC科研課題

芯片戰爭核心問題：CPU運算效率提升研究

CPU緩存能夠減少CPU對內存的讀寫時間，從而獲得程序運行速度的提升。目前的緩存機制都是基于對于CPU訪問數據的時空連續性的假設，緩存內存中連續地址的數據以便CPU快速獲得并更新數據。

隨著CPU芯片緩存的升級換代，LLC( Low Level Cache) 的容量越來越大。然而在多進程的環境中，如果不對CPU緩存進行合理的利用，往往會造成緩存沖突進而浪費性能在清理緩存和重新加載數據進緩存。

本學科的目的在于研究合理的分配緩存機制，能夠進一步增加緩存命中率，進而提升在多進程環境下的性能。

CPU訪問內存的速度往往是機器運行速度的瓶頸，CPU緩存基于訪問數據的時空連續性，提前緩存內存中的連續數據，從而減少CPU訪問內存的次數，達到提升機器運行速度的目的。然而在多進程環境中，例如運行著成百上千個進程的服務器，隨著進程上下文的切換，CPU緩存里的數據也隨著上下文一起切換，在切換的過程中，一方面需要同步緩存數據和內存數據，另一方面增加了緩存丟失率(cache miss)。所以，多進程環境往往由于緩存的頻繁刷新，降低了機器的性能。緩存染色機制利用了圖論中的染色技術，將CPU緩存根據進程數目劃分成不同區域，相鄰區域使用不同顏色標識，因此，各個進程只能使用自己所屬的緩存區域，當進程上下文切換時，不至于整個緩存失效，從而提升了緩存命中率。

當前的緩存染色機制主要有靜態和動態的緩存，動態染色是指當進程需求（例如所需內存的大小）變化時，該進程對應的顏色會發生變化，所以需要操作系統動態的對緩存染色。而靜態染色機制在進程創建時就已經決定了該進程所屬的顏色。

本課題提出一種新型染色機制，根據進程優先級對著色區域大小進行控制。對于優先級為實時(real time)類別的進程，假設該進程會有更多的執行機會，所以該進程獲得更大區域的CPU緩存，保證其在期望時間內執行完畢。該染色機制能夠降低高優先級進程的緩存丟失率，加速了高優先級進程的執行速度，在執行完高優先級進程后，低優先級的進程獲得更多的緩存空間執行。

科研方法

AI＋X數據驅動型科研

使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。

但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。

---

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力：

英文：
1、具備基本的學術英語閱讀能力；
2、接觸過英文寫作，有論文寫作經驗者更佳；

 

數學：
1、概率統計基礎知識；
2、建模基礎知識；

 

計算機：
1、編程、操作系統基礎知識；
2、有c或者c++ 在Linux系統編程的經驗為佳。