学位论文简介

随着多核处理器的不断发展，并行编程逐渐变得流行，并被越来越多的设计人员用于提高应用程序的执行效率。OpenMP编程模型是用于多核处理器上最广泛的技术。在实现OpenMP并行化的过程中，研究人员首先面对的问题是发现可并行的目标，其次是将可并行目标转换成OpenMP并行程序，最后是检测并行程序是否存在数据竞争。自动OpenMP并行化工具可以帮助研究人员实现程序的并行转换，数据竞争检测工具可以实现并行程序的数据竞争检测。然而，这些工具基于显性规则构建，在程序分析范围、时间和内存开销上表现出了较大的局限性。本文提出基于机器学习的新型方法，从源代码级别出发，发现程序内在的并行性特征以解决复杂的程序并行化问题，取得了以下主要创新性研究成果：

针对传统方法中程序分析范围狭窄和时间开销高的问题，提出了一种基于图神经网络的并行性识别方法。该方法建立了基于代码嵌入和图分类技术的并行性识别框架。基于重构程序等步骤开发了一个数据集生成器，同时，考虑到程序的并行性识别与数据依赖和控制依赖息息相关，构建了一个结合控制流图和数据流图的上下文流程图数据集。

为了获得更多的并行性识别性能增益，提出了一种基于多图学习的并行性识别方法。考虑到单一的图结构缺乏对程序语义和语法的完整理解，提出以互补的方式表示代码的多图策略。考虑到深度卷积图神经网络模型只接受一个图作为输入，提出多图学习框架，从而有目标地学习不同的图表示。同时，对多个图表示进行决策融合。

针对并行程序转换时变量属性难识别的问题，提出了一种基于注意力机制的变量分类方法。考虑到变量和数据共享属性的对应关系，通过提取源串行程序的词法信息和并行程序的OpenMP制导语句指令构建了一个用于学习的对齐语料库。通过结合注意力机制，设计了一个选择性关注特定上下文和关系的变量分类模型框架。

针对OpenMP并行程序中数据竞争难以检测的问题问题，提出了一种基于对比学习的数据竞争检测方法。考虑到包含不同OpenMP特征的并行程序之间具有结构相似度高的特点，通过结合标签信息为每一个程序构建了正负样本。利用对比学习方法的特性，即最小化正样本之间的距离和最大化负样本之间的距离，达到检测数据竞争的目的。

主要学术成果

Yuanyuan Shen, Manman Peng, Shiling Wang, et al. Towards parallelism detection of sequential programs with graph neural network. Future Generation Computer Systems, 2021, 125: 515-525. (SCI二区)

Yuanyuan Shen, Manman Peng, Qiang Wu, et al. Multigraph learning for parallelism discovery in sequential programs. Concurrency and Computation: Practice and Experience, 2023, 35(9): e7648. (CCF-C类期刊)

Yuanyuan Shen, Manman Peng, Qiang Wu, et al. A machine learning method to variable classification in OpenMP. Future Generation Computer Systems, 2023, 140: 67-78. (SCI二区)