HOPPERFISH：一种适用于异构系统的整体性分析框架，具备便携性、可扩展性和稳定性

《ACM Transactions on Architecture and Code Optimization》：HOPPERFISH: Holistic Profiling with Portable Extensible and Robust Framework Intended for Systems with Heterogeneity

HOPPERFISH异构计算系统跨层次分析框架实现动态工作负载轻量自编码模型，通过全栈特征关联压缩模型参数，在FPGA上实现18μs超低延迟实时异常检测，能耗较软件优化117倍，并开源配套基准套件。

　　

摘要

我们介绍了 HOPPERFISH，这是一个全面的分析框架，它整合了应用程序、运行时、微架构和硬件层面的分析，以简化异构计算系统中强大的特征关联分析。HOPPERFISH 通过捕捉任何异构系统级芯片（SoC）系统堆栈中的特征，提供了对动态工作负载、硬件配置和调度策略的全面洞察，无论是现成的平台还是在 FPGA 上模拟的架构。该框架支持针对实际应用的数据驱动分析，以及对于特征动态变化且无法预先标记的异构系统的无监督学习。作为一个用例，我们在异构系统的异常检测场景中使用了 HOPPERFISH，并在不同的工作负载、硬件和调度条件下构建了一个自动编码器模型，而无需为每种情况重新训练单独的模型。HOPPERFISH 提取了整个系统堆栈中特征之间的相关性，从而减少了构建异常检测模型所需的参数数量。这种压缩形式使得模型既强大又准确，同时保持轻量级，能够基于无监督行为分析实时检测异常行为。作为概念验证，我们还展示了该实时异常检测模型的硬件实现：在 MPSoC ZCU102 FPGA 上，该模型的延迟为 18 微秒，功耗为 6.3 微焦耳，与软件实现相比，延迟降低了 16.67 倍，能耗减少了 117 倍。HOPPERFISH 是开源的，并附带了一个可扩展的工作负载基准测试套件，有助于开展更广泛的研究任务，包括安全分析、故障诊断和数据驱动的设计优化决策。