计算机工程与科学

作者：周放, 刘茂福, 李珊枝

单位：1.武汉科技大学计算机科学与技术学院,湖北 武汉 430065；2.智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065；3.武汉晴川学院计算机学院,湖北 武汉 430204

关键词：编译器优化,代码翻译,密集数据流图,数据流预测,

编译器优化旨在通过在中间代码IR语言上进行一系列变换,提高代码在目标平台上的运行效率。传统方法通常依赖机器学习来分析IR特征,并预测LLVM编译器优化通道的最佳组合。然而,这些方法因受限于编译器现有优化策略和对全局信息的有限利用，其扩展性受限。采用深度学习自动将函数级IR从未优化状态转换至O2级别优化,并将此优化过程视为翻译任务。通过引入密集数据流图DDFG,能够提取IR代码的全局结构信息,从而引导模型更全面地学习代码语义。使用Transformer模型进行的实验表明,所提方法的模型能在O2级别有效训练IR,且86.15%的函数级优化代码能在保证语义完整性的同时,在编译器上正确执行。

来源：2025年第10期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第10期