ChampSim ML 预取器项目是一个用于评估内存预取器性能的框架，基于 ChampSim 模拟器。该项目允许用户将预取决策直接从文本文件导入，无需通过模型训练步骤，从而简化了预取器性能评估过程。
项目使用 Docker 容器提供一个一致的运行环境，避免依赖问题。
- 启动 Docker 容器：
docker-compose up -d- 进入容器：
docker-compose exec champsim bashchampsim/
├── src/ # 源代码目录
├── traces/ # 执行轨迹文件目录 (.champsimtrace.xz)
├── load_traces/ # 加载轨迹文件目录 (.txt.xz)
├── prefetchers/ # 预取文件目录 (.txt)
└── results/ # 模拟结果目录
首次使用时，需要构建 ChampSim 二进制文件：
cd /champsim/src
python3 ml_prefetch_sim.py build这将构建三个二进制文件：
- 不带预取器的基准版本
- 带有最佳偏移(Best Offset)预取器的版本
- 可从文件读取预取指令的版本
注意：如果构建过程中出现错误，可能是脚本文件的行尾符号问题。使用以下命令修复：
apt-get update && apt-get install -y dos2unix dos2unix build_champsim.sh
如果没有轨迹文件，可以使用项目提供的下载脚本获取：
cd /champsim
./src/download.sh预取文件是一个文本文件，每行包含两个数字：指令 ID 和预取地址。例如：
3659 7f8400
3659 7f8440
5433 8001c0
如果需要从其他格式转换，可以使用转换工具：
python3 /champsim/src/convert_txt_to_prefetch.py 输入文件 /champsim/prefetchers/输出文件.txt [选项]选项说明：
--format csv- 指定输入格式为 CSV (默认为"default")--delimiter ","- CSV 分隔符 (默认为逗号)--instr-col 0- 指令 ID 在 CSV 中的列索引 (默认为 0)--addr-col 1- 地址在 CSV 中的列索引 (默认为 1)
运行基准测试和预取器测试：
python3 ml_prefetch_sim.py run /champsim/traces/轨迹文件.champsimtrace.xz --prefetch /champsim/prefetchers/预取文件.txt如果只想测试预取器（跳过基准测试）：
python3 ml_prefetch_sim.py run /champsim/traces/轨迹文件.champsimtrace.xz --prefetch /champsim/prefetchers/预取文件.txt --no-base注意：模拟可能需要较长时间运行（根据轨迹大小可能需要几分钟到几小时）。模拟器会定期输出"心跳"信息显示进度。
其他可选参数：
--results-dir 结果目录- 指定结果输出目录 (默认为./results)--num-instructions N- 模拟的指令数（百万条）(默认为 SPEC:500, GAP:300)--name 自定义名称- 为预取器指定一个名称 (默认为 "from_file")
python3 ml_prefetch_sim.py eval这将生成一个 CSV 文件（默认为 ./stats.csv），包含以下性能指标：
- 准确率(Accuracy) - 有用预取的百分比
- 覆盖率(Coverage) - 有用预取占总缺失的百分比
- MPKI(每千指令缺失数) - 越低越好
- MPKI 改进 - 相对于基准的改进百分比
- IPC(每周期指令数) - 越高越好
- IPC 改进 - 相对于基准的改进百分比
项目中有两种不同类型的轨迹文件：
-
执行轨迹文件 (
traces/目录，.champsimtrace.xz格式)- 用于 ChampSim 模拟器的实际执行
- 包含完整的程序执行信息，如指令地址、数据地址等
- 用于评估处理器架构、缓存系统和预取策略的整体性能
-
加载轨迹文件 (
load_traces/目录，.txt.xz格式)- 记录程序内存加载(load)操作
- 用于分析内存访问模式，生成预取策略
- 数据格式：
指令ID, 时钟周期, 加载地址, 指令指针, LLC命中/未命中
预取文件格式要求：
- 每行包含两个由空格分隔的值：
<指令ID> <预取地址> - 每个指令 ID 最多可以有两个预取
- 预取地址应为十六进制格式(不含"0x"前缀)
- 预取必须按照轨迹中出现的顺序排列
完整工作流程示例：
# 进入容器
docker-compose exec champsim bash
# 进入工作目录
cd /champsim/src
# 构建 ChampSim
python3 ml_prefetch_sim.py build
# 运行模拟
python3 ml_prefetch_sim.py run /champsim/traces/471.omnetpp-s0.trace.gz --prefetch /champsim/prefetchers/prefetch14_CF01S.txt
# 等待模拟完成（可能需要一段时间）
# 评估结果
python3 ml_prefetch_sim.py eval
# 查看结果
cat stats.csv-
脚本执行错误：如果遇到
./build_champsim.sh: not found错误，使用dos2unix转换脚本文件：apt-get update && apt-get install -y dos2unix dos2unix build_champsim.sh -
找不到轨迹文件：确保轨迹文件位于正确目录，可能需要先运行
download.sh脚本下载。 -
模拟运行时间长：ChampSim 是一个周期精确的模拟器，运行需要时间，请耐心等待。可以通过
--no-base选项仅运行自定义预取器节省时间。 -
结果评估错误：确保完整运行所有模拟，不要中途中断，否则可能导致评估结果不完整。
example 1 ：
TRACE 首选：ML-DPC/LoadTraces/spec06/471.omnetpp-s0.txt.xz 理由： 471.omnetpp 是网络仿真程序，包含复杂的内存访问模式（不规则访问）、分支逻辑和适度的计算需求。 它不像 bwaves（计算密集）或 mcf（内存密集）那样极端，适合测试通用预取器的适应性。 .txt.xz 格式表明这是提取的负载数据，可能更轻量，专注于内存访问分析。 适用性：适合需要平衡内存和计算的通用任务。
下载地址 ML-DPC/LoadTraces/spec06/471.omnetpp-s0.txt.xz https://utexas.box.com/shared/static/8shjfyw05w0n3prerb06rohsl08dfsmf.xz ML-DPC/ChampSimTraces/spec06/471.omnetpp-s0.trace.gz https://utexas.box.com/shared/static/1y1oq6c3q4zyf6rju2ejcc01xt5p25a6.gz
prefetch14.txt 预取器文件