特性描述

AI4Compiler通过相关算法及构建框架，可以在进一步增强采样反馈优化能力特性，更准确的预估编译优化过程中的关键数值，辅助编译器做出更合理的优化决策，提升编译优化效果。AI4Compiler通过代码表征学习等AI4Compiler算法，训练BOLT采样的基本块精度修正模型，构建框架集成至GCC for OpenEuler，实现性能提升。

BOLT通过改进二进制文件中的代码和数据布局来减少CPU的缓存未命中率和分支预测错误，从而在编译器在应用了链接时优化（LTO）以及反馈驱动优化（FDO）后提供进一步的优化。BOLT在利用动态profiling数据提高程序的运行性能时有两种不同的方式：即插桩和采样。插桩方式性能开销大但精度较高，采样方式性能开销微乎其微但精度不及插桩。而BOLT采样的基本块精度修正模型则力图通过挖掘一个BB块的内含指令/变量、所处函数/文件等多粒度代码信息来对其Count值进行预测，从而提高CFG的准确性，使采样BOLT达到接近插装BOLT的优化效果。