.png){kind=icon}
返回
Automated Models for Predicting Software Defects in Hybrid Message Passing Interface (MPI) and Open Multi-Processing (OpenMP) Parallel Programs Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3559807.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混合消息传递接口 (MPI) 和开放多处理 (OpenMP) 并行程序对于高性能计算 (HPC) 的可伸缩性和效率至关重要，尤其是在系统接近exa-scale操作时。这些程序利用分布式和共享内存系统，使它们对于科学模拟，数据分析和数值计算是必不可少的。但是，诸如死锁和竞争条件之类的同步缺陷对可靠性和性能提出了重大挑战，由于混合系统的复杂性，通常无法使用传统的静态和动态分析工具。本研究介绍了一种基于深度学习的模型，用于混合MPI和OpenMP程序中的自动缺陷预测。使用1,500个C ++ 文件的平衡数据集，评估了三种神经架构-卷积神经网络 (CNN)，长短期记忆 (LSTM) 网络和混合cnn-lstm模型。为了预处理代码，采用了基于抽象语法树 (AST) 的令牌提取，捕获了对检测缺陷至关重要的结构和语义关系。令牌提取方法包括通过Clang库进行详细的C ++ 语法分析和自定义正则表达式方法。结果表明，基于Clang令牌的表示为缺陷预测提供了最有效的输入，使CNN模型能够达到97% % 的精度。通过将基于AST的结构见解与深度学习的预测能力相结合，本研究提供了一种可扩展的解决方案，用于增强混合并行程序的可靠性。这些发现为自动缺陷检测的未来发展奠定了基础，解决了高性能计算系统的迫切需求。
Keyword:
Hybrid parallel programming
MPI
OpenMP
OpenMP
deep learning
deep learning
software defect prediction
software defect prediction
race conditions
race conditions
deadlocks
deadlocks
deadlocks
