Page 73 - 《软件学报》2026年第6期

2392 软件学报 2026 年第 37 卷第 6 期

的复杂度敏感性问题, RIVdoo 设计了基于运算复杂度的输入空间分组策略, 通过系统性地覆盖从轻负载到高负载
的不同计算场景, 能够精确识别算子在各种工作负载下对有限内存、功耗预算和散热能力的差异化影响, 从而揭
示传统统一测试方法无法发现的资源利用规律和性能临界点. 针对 RISC-V 架构带来的特性差异问题, RIVdoo 构
建了多维度测试分析体系, 从精度、执行效率、内存占用和系统调用开销等层面全面评估算子在 RISC-V 架构的
适配质量, 并通过基于四分位距 (interquartile range, IQR) 的复杂度放大系数的差分测试方法, 对不同复杂度下度
量指标的变化模式进行统计分析, 有效识别算子实现的性能异常及架构适配问题. 通过上述 3 大模块的协同作用,
RIVdoo 实现了在资源受限、架构特有约束下对深度学习算子复杂度敏感性与软硬件交互行为的系统性评估, 为
算子优化和平台调优提供了量化依据.
为了验证 RIVdoo 方法在 RISC-V 架构深度学习算子测试中的有效性, 本文针对 47 个深度学习算子开展大规
模测试, 覆盖计算密集型、内存密集型和轻量型这 3 种主要计算模式, 能够充分反映深度学习模型在不同资源需
求和计算特征下的表现. 实验结果表明, RIVdoo 在实验中系统性地揭示了不同算子库与优化策略在 RISC-V 平台
上的行为差异与性能权衡特征: TFLite 的预编译策略在 RISC-V 平台上相比 TVM 具有 30%–50% 的速度优势但
以 1.5–2 倍的内存开销为代价, TVM 的动态存储调度策略在归约类算子 (Softmax、Mean) 上因 RISC-V 有限的
TLB (32–64 项) 和缓存容量 (2 MB L2) 导致缺页率比 TFLite 高 60%–150%, RVV 向量化优化在计算密集型算子
(Conv2D、MatMul) 的高复杂度场景下性能提升 30%–50%, 但在除法、取模等缺乏硬件加速支持的算子以及低复
杂度场景下因软件模拟开销和向量化启动成本反而导致性能下降 10%–30%, 以及 TVM 的频繁小块内存分配机
制在低复杂度场景下导致系统调用开销占比超过 30%. 上述结果从执行效率、内存占用、存储访问和系统行为等
多个维度, 揭示了算子在 RISC-V 架构上的资源敏感性特征与平台相关的行为差异, 同时验证了 RIVdoo 能够在无
需依赖运行时反馈的条件下, 有效识别传统精度验证方法难以暴露的效率、内存与系统层面的潜在适配风险, 为
算子优化和平台调优提供了可复现、可量化的实验依据.
综上所述, 本文的主要贡献总结如下.
(1) 提出面向 RISC-V 架构的深度学习算子测试理论, 实现对不同工作负载下资源利用模式和性能临界点的
量化评估, 并通过多维度指标体系和复杂度放大系数差分测试, 系统性地揭示算子在 RISC-V 架构下可能呈现的
异常行为模式与潜在适配问题.
(2) 基于 TVM 和 TFLite 框架开发了 RIVdoo 测试工具 (https://github.com/yanyanyyy720/OperatorTestForRiscv),
实现了算子在高、中、低复杂度场景下的自动化测试生成、性能监控和差分分析, 能够有效支持算子库在 RISC-V
架构上的适配性评估.
(3) 开展大规模算子测试实验, 覆盖多类深度学习算子和不同参数配置, 从执行效率、内存峰值、缺页率及系
统开销等角度, 系统刻画算子在 RISC-V 架构上的平台相关行为特征与资源敏感性规律, 为算子优化与平台调优
提供可靠的数据依据.
本研究不仅为 RISC-V 架构上深度学习生态的健康发展提供了专门化的测试和评估工具, 更为新兴指令集架
构上的智能软件质量保证建立了系统性的方法论基础, 在推动开源硬件生态与人工智能技术融合发展方面具有重
要理论价值和实践意义.
本文第 1 节回顾深度学习算子测试相关工作和 RISC-V 算子部署研究背景. 第 2 节详细阐述提出的面向
RISC-V 架构的深度学习算子测试方法 RIVdoo. 第 3 节介绍实验设计方案, 包括测试算子选择、参数分组策略和
评估指标体系. 第 4 节展示并分析实验结果, 重点讨论 RISC-V 架构特有的算子性能特征和资源利用模式. 第 5 节
总结全文并展望未来研究方向.
1 相关工作和研究背景

1.1 深度学习算子测试
深度学习算子是构成神经网络计算图的基础数学运算单元, 包括卷积运算、矩阵乘法、池化操作、激活函数、