综述：面向CPU性能预测：新挑战基准数据集与创新方法

这篇综述系统介绍了CPU性能预测领域的两大突破：构建首个标准化数据集PerfCastDB（含13,048组4代Intel? Xeon?处理器硬件特征与性能评分），并提出基于分组注意力机制的新型深度学习模型NCPP（Nova CPU Performance Predictor）。该模型通过量化硬件特征组内/组间关联性，显著提升预测精度，为CPU设计优化与选型提供高效工具。

　　

相关研究

当前CPU性能预测领域面临数据碎片化与模型局限性两大挑战。传统硬件仿真方法（如Joseph等提出的模拟器）存在计算周期长、资源消耗大的问题，而经典机器学习方法（线性回归LR、支持向量机SVM）在多元特征场景下精度不足。早期研究如Ein-Dor等通过统计分析建立性能关联模型，Lee等则采用统计抽样替代全量仿真，但均未解决大规模异构数据建模问题。

数据集构建

PerfCastDB数据集整合了第4代Intel? Xeon?可扩展处理器（代号Sapphire Rapids）的83维硬件特征数据，经清洗后形成35个标准化特征指标，覆盖6类测试套件下的13,048组性能数据。特征工程过程中，研究者特别保留了缓存层级、核心频率、TDP（Thermal Design Power）等关键参数，并通过动态扩展机制持续更新数据集。

方法创新

NCPP模型创新性地采用三级架构：

1. 1.

   特征划分模块：按物理属性将35个特征分为计算单元、内存子系统等5个功能组

2. 2.

   组内注意力模块：量化L3缓存与核心数等组内特征的动态关联（如图8热图所示）

3. 3.

   组间注意力模块：建模内存带宽与浮点运算单元的跨组协同效应（图9可视化权重矩阵）

实验验证

在6套测试场景中，NCPP相较传统方法展现显著优势：

• •

  在SPECcpu?2017测试中，MAE（平均绝对误差）降低37.2%

• •

  内存密集型任务预测时，组间注意力机制使关键特征权重提升2.3倍

• •

  模型推理速度较硬件仿真快4个数量级

应用前景

该技术已应用于Intel新一代处理器设计验证，通过早期性能预测可缩短原型开发周期。开源代码库提供的交互式工具（含SPR样本数据）支持用户自定义测试场景，助力学术与工业界研究。未来研究将扩展至异构计算架构的性能建模。

可视化分析

注意力机制的可解释性分析揭示：

• •

  计算组内核心数与SIMD（单指令多数据流）指令集关联度达0.81

• •

  内存组中DDR5带宽与延迟呈强负相关（r=-0.76）

• •

  跨组交互显示缓存命中率对浮点运算影响权重超0.6

结论

PerfCastDB与NCPP为CPU性能预测建立了新范式，其分组注意力机制为硬件特征关联建模提供通用框架。该成果同时推动着计算机体系结构与机器学习交叉领域的发展。