Page 217 - 《软件学报》2026年第6期

2536 软件学报 2026 年第 37 卷第 6 期

第 n−1 次迭代 第 n 次迭代 第 n+1 次迭代
模型训练 模型训练 模型训练

训练数据收集 模型预测 训练数据收集 模型预测 训练数据收集 模型预测
特征筛选 特征筛选 特征筛选
SHAP 值计算 SHAP 值计算 SHAP 值计算

时间
图 5 SHAP 计算开销隐藏机制示意图

最后, 对于每个选项 o i ∈O', 算法使用四分位数法 (quartile method) [37] 找到 ¯ ϕ i,j 中的所有潜在异常值, 并将所有
潜在异常值对应的特征 o j 并入 O'. 在后续的迭代中, 元搜索策略将使用筛选后的选项集合 O'构造新的搜索空间.
四分位数法是一种描述数据分布特性的统计方法, 适用于各种类型的分布, 且不受极端值的影响, 因此可以准确地
¯ ϕ i,j 从小到大排序并分为 4 等份, Q 1 表示位于 25% 位置的数
反映数据集的集中趋势和离散程度. 具体地, 本文将
值, Q 3 表示位于 75% 位置的数值, IQR= Q 3 –Q 1 表示四分位距. 在 SWTuner 的实现中, 任何高于 Q 3 +7.5×IQR 的值
都被认为是异常值, 表明该值对应的特征 o j 与 o i 存在显著相关性.
为了直观地展示算法 1 的执行流程, 本文仍然使用第 2.2 节中包含 5 个选项的编译调优任务作为示例. 对于
如图 4 所示的随机森林模型, 使用 SHAP 框架计算得到的平均 Shapley 值 ¯ ϕ i 以及平均 Shapley 交互值 ¯ ϕ i,j 如表 3
¯ ϕ i 筛选出 o 1 、o 2 和 o 3 这 ¯ ϕ i,j 筛选出与 o 1 相关程度较高的 o 4 选项. 如
所示. 算法首先根据 3 个重要选项, 然后根据
果在选项筛选的过程中仅考虑 Shapley 值, 则 o 4 的重要性很可能会被忽视.

表 3 平均 Shapley 值以及平均 Shapley 交互值计算示例

ϕ i, j
选项 ϕ i
o 1 o 2 o 3 o 4 o 5
o 1 2.752 7 － 0.006 5 0.009 7 0.123 9 0.007 0
o 2 1.992 3 0.006 5 － 0.009 0 0.005 8 0.002 6
1.490 6 0.009 7 0.009 0 － 0.006 3 0.003 1
o 3
o 4 0.257 1 0.123 9 0.005 8 0.006 3 － 0.002 5
0.249 2 0.007 0 0.002 6 0.003 1 0.002 5 －
o 5

3 实验与分析

3.1 实验环境与测试用例
本文以神威新一代超级计算机 [38] 为实验平台, 硬件环境主要包括前端机和计算节点. 前端机配备了 24 核心
的 Intel Xeon E5-2440 处理器 (2.40 GHz), 计算节点为神威新一代众核处理器 SW26010Pro. 通过作业管理系统,
SWTuner 元搜索驱动将搜索样本的编译和执行任务提交至计算节点, 而模型训练/推理以及 SHAP 计算等任务则
主要在前端机上通过多进程方式并行执行. 软件环境方面, 本文选择 swGCC [39] 和 swLLVM [40] 两款主流编译器作
为目标编译器, 以验证本文提出的 SWTuner 调优框架的兼容性. 其中, swGCC 版本为 7.1.0, swLLVM 版本为 13.0.0.
本文采用 NAS Parallel Benchmarks 3.0 (NPB 3.0) [41] 作为测试用例, 以全面评估 SWTuner 的关键技术有效性以
及整体调优效果. NPB 3.0 是美国国家航空航天局开发的一组基准测试程序, 共包含 8 个测试用例, 涵盖了科学计
算中的多种典型算法和工作负载, 常被用来评估高性能计算系统的表现. 考虑到用例执行时间过短可能增加性能
测量的相对误差, 本文将 CG、FT、IS、MG 用例的输入规模配置为 A, 其余用例配置为 W.
BT 和 CG 是 NPB 中的具有代表性的两个用例, 其中 BT (block tridiagonal) 是典型的计算密集型课题, 主要用