Page 81 - 《软件学报》2026年第6期

2400 软件学报 2026 年第 37 卷第 6 期

算该分布的第 1 四分位数 Q 1 (25% 分位点)、第 3 四分位数 Q 3 (75% 分位点) 和四分位距 IQR = Q 3 − Q 1 , 根据四分
位距法, 定义离群点判定阈值为:


 下界 : L = Q 1 −1.5×IQR

 .

 上界 : U = Q 3 +1.5×IQR

若某算子实现的放大系数 R 满足 R < L 或 R > U, 则标记为离群点, 作为潜在异常实现进一步分析. 这一方法
的优势在于不依赖于放大系数分布的具体形态 (如是否服从正态分布), 由于放大系数为比值变量, 其分布往往呈
现右偏态且可能包含极端离群值, 传统的基于正态假设的统计方法 (如 Z-score) 在此场景下可能适用性有限. 相比
之下, 基于四分位距的离群点检测对分布偏态和极端值具有良好的鲁棒性, 更适合作为一种用于初步筛选异常性
能行为的统计工具, 而 1.5 倍 IQR 的选择基于统计学经验法则, 能够在不过度依赖参数假设的前提下, 对显著偏离
整体行为模式的实现进行标记, 从而为后续结合源码分析和体系结构特征的定性分析提供线索支持.
3 研究问题和实验设置

3.1 研究问题
本文围绕 RIVdoo 方法在 RISC-V 架构深度学习算子测试中的有效性展开研究, 设计 3 个递进式研究问题以
系统性验证 RIVdoo 各核心组件的技术有效性和实用价值.
研究问题 1: RIVdoo 的复杂度分组策略能否有效识别算子在 RISC-V 架构上的性能分化特征?
该研究问题旨在验证 RIVdoo 提出的基于参数空间区间约束的复杂度分组方法是否能够有效揭示深度学习
算子在 RISC-V 平台上的性能分化模式. RISC-V 架构的资源约束特性使得算子性能对参数配置变化极其敏感, 传
统固定参数测试难以捕获这种敏感性的全貌. RIVdoo 通过将算子输入参数空间划分为高、中、低这 3 个复杂度
层级, 预期能够识别 RISC-V 平台在不同计算强度下的性能瓶颈和资源利用特征. 本研究问题通过在各复杂度层
级下收集算子的精度损失等关键指标, 分析复杂度增长对这些指标的影响模式, 验证分组策略在性能分化识别方
面的有效性. 此外, 本研究还将 RIVdoo 与现有的算子测试方法进行对比, 评估不同方法在 RISC-V 静态编译环境
下生成测试用例的参数空间覆盖度和多样性.
研究问题 2: RIVdoo 采用的基于复杂度放大系数的差分测试方法能否有效识别算子在 RISC-V 架构上的性能
适配问题?
本研究问题聚焦于验证 RIVdoo 提出的基于复杂度放大系数的差分测试机制在 RISC-V 算子性能适配评估中
的有效性. 现有差分测试方法通常依赖绝对指标对比, 难以揭示算子在不同工作负载下的复杂度敏感性差异, 而
RIVdoo 提出的复杂度放大系数方法通过分析算子在不同复杂度层级间多维度指标的变化模式, 为识别异常实现
模式提供了新的分析视角. 具体而言, 本研究问题将同一类型算子的多个不同库实现部署到 RISC-V 平台, 在高、
中、低不同复杂度层级下收集 CPU 时间、常驻内存、缺页率和用户态 CPU 占比指标, 计算各实现在复杂度层级
之间的放大系数, 并通过统计分析比较不同实现的分布特征与离群情况, 从而验证该方法在揭示复杂度适应性差
异、发现潜在异常实现以及识别系统层面隐蔽问题方面的有效性.
研究问题 3: RIVdoo 能够发现哪些类型的深度学习算子在 RISC-V 架构上存在部署问题?
该研究问题在前两个研究问题的基础之上, 进一步聚焦于评估 RIVdoo 的实际应用效果和问题发现能力. 通
过运用经过验证的 RIVdoo 完整方法论, 对主流深度学习算子进行系统性的 RISC-V 适配质量评估, 深入识别哪些
算子类型在该架构上表现良好, 哪些存在显著的适配问题, 以及这些问题的具体表现形式和根本原因. 该研究问题
不仅验证 RIVdoo 作为完整方法论的综合应用价值, 还为 RISC-V 深度学习生态的算子优化策略和技术选择决策
提供有价值的实证指导.
3.2 实验设置
为了全面验证 RIVdoo 方法的有效性, 特别是其基于损失比值的差分测试机制, 本研究构建了 3 层次的实验
环境体系, 分别承担不同的技术验证功能.