Accel-Sim仿真工作流全解：用run_simulations.py批量跑GPU仿真任务

【免费下载链接】accel-sim-frameworkThis is the top-level repository for the Accel-Sim framework.项目地址https://gitcode.com/gh_mirrors/ac/accel-sim-framework点击查看免费下载Accel-Sim 是一个面向 GPU 体系结构研究的开源仿真框架基于 GPGPU-Sim 4.0 性能模型 AccelWattch 功耗模型而 run_simulations.py 是它内置的工作负载批量启动管理器一条命令即可把多个基准测试 × 多种 GPU 配置的任务矩阵自动拆分成成百上千个仿真任务处理目录创建、trace 链接、配置文件拼装并自动适配 Slurm / Torque / 本地多核调度。本文带你从零走通 Accel-Sim 仿真工作流 一、Accel-Sim 是什么为什么需要批量跑做 GPU 仿真研究时你通常要做这几件事拿一堆 benchmarkRodinia、PolyBench、CutLASS 等在多种配置QV100、A100、TITANX……下反复跑仿真确认所有任务都正确跑完出错了能快速定位把结果聚合成论文里的统计表格如 IPC、周期数对比。如果手动一个个跑accel-sim.out不仅繁琐还很容易因为参数、目录不一致导致结果无法对比。Accel-Sim 提供的 util/job_launching/ 脚本组就是为解决这个问题而生的核心 4 个脚本脚本作用run_simulations.py创建运行目录、拼装配置、批量提交仿真任务monitor_func_test.py轮询任务状态跑完后自动汇总结果job_status.py打印所有任务的运行状态摘要表get_stats.py解析仿真日志输出 CSV 统计数据 提示所有 Python 脚本都支持--help查看详细参数说明。二、仿真环境准备3 步完成部署批量跑仿真前需要确认以下环境已就绪详见 util/job_launching/README.md安装 CUDA Toolkit且nvcc在PATH中已 source 模拟器环境脚本并完成编译SASS 模式下已生成或下载 trace 文件PTX 模式下已编译好应用。# 1. 获取 Accel-Sim 框架代码 git clone https://gitcode.com/gh_mirrors/ac/accel-sim-framework # 2. 安装 Python 依赖并配置环境设置 GPGPUSIM_ROOT 等变量 pip3 install -r requirements.txt source ./gpu-simulator/setup_environment.sh # 3. 编译模拟器产出 gpu-simulator/bin/release/accel-sim.out make -j -C ./gpu-simulator/没有 GPU 想跑 SASS trace仓库提供了预生成 trace 的下载脚本./get-accel-sim-traces.py # 按提示选择要下载的预 trace 应用三、run_simulations.py 批量启动仿真任务1. SASS trace-driven 模式推荐trace-driven 模式消费 SASS 指令 trace仿真速度与真实应用规模无关是 Accel-Sim 的主打用法./util/job_launching/run_simulations.py \ -B rodinia_2.0-ft \ -C QV100-SASS \ -T ./hw_run/traces/device-0/9.1/ \ -N myTest参数拆解-B要跑的 benchmark 套件名可逗号分隔多个定义在 util/job_launching/apps/define-*.yml 中如rodinia_2.0-ft、GPU_Microbenchmark、parboil、cutlass_5_trace等-CGPU 配置名可逗号分隔多个定义在 util/job_launching/configs/define-standard-cfgs.yml-Ttrace 根目录脚本会自动在其中的子目录里定位每个 benchmark 对应的traces/-N本次启动的命名后续查状态、收统计都靠它。2. PTX 模式不带-T即进入 PTX 模式直接仿真编译后的可执行文件./util/job_launching/run_simulations.py -B rodinia_2.0-ft -C QV100-PTX -N myTest-PTX3. 它背后帮你做了什么run_simulations.py 并不是简单地提交 N 个任务它会自动完成 7 件事把已编译的accel-sim.out复制到按 git commit 版本隔离的gpgpu-sim-builds/目录——测试跑一半时重新编译模拟器也不会影响在跑的任务按运行目录/应用名/参数目录/配置名创建每个任务独立的运行目录把仿真所需的.ptx、.icnt、.csv、.xml等文件复制进目录为每个目录软链接它需要的data/和traces/拼装最终gpgpusim.configbase 配置 扩展参数 benchmark 专属选项 SASS 模式的 trace.config通过任务管理器Slurm/Torque/本地提交任务在logfiles/下生成启动日志供后续脚本收集状态和统计。默认运行目录是sim_run_CUDA版本/如sim_run_12.8可用-r自定义。想调试某个任务进入对应目录后执行gdb --args ./justrun.sh即可。四、看懂配置命名QV100-SASS 是怎么拼出来的配置名采用基础配置 - 扩展配置的可组合命名解析逻辑见 common.py 中的get_config。基础配置对应一块真实 GPU 的 gpgpusim.config基础配置对应 GPUQV100/GV100/TITANVVolta 系列A100AmpereRTX3070Ampere RTX 3070RTX2060/RTX2060_STuringTITANXPascalTITANKKeplerGTX480Fermi后面跟的扩展配置是开关式追加参数例如QV100-SASS/QV100-PTX标记驱动方式官方强烈建议命名里带上方便区分L1ON/L1OFF开/关 L1 数据缓存FRFCFS/FCFSDRAM 调度器切换PWR_ENABLE、Accelwattch_SASS_SIM等启用 AccelWattch 功耗仿真64SM把 SM 数翻倍成假设架构用于what-if探索。一条命令对比多种配置逗号分隔即可./util/job_launching/run_simulations.py -B rodinia_2.0-ft \ -C QV100-SASS,RTX2060-SASS,A100-SASS -T ./hw_run/traces/... -N cmp-test想跑自己的配置或应用按 define-all-apps.yml / define-standard-cfgs.yml 的格式新建define-myapps.yml即可脚本启动时会自动加载目录里所有define-*.yml互不干扰。五、监控任务与收集统计闭环工作流1. 查状态# 随时查看任务状态运行中/等待/完成 基本仿真指标 ./util/job_launching/job_status.py -N myTest # 阻塞式监控任务没跑完不返回跑完自动调 get_stats.py 汇总 ./util/job_launching/monitor_func_test.py -v -N myTestjob_status.py的输出是一张直观的状态表包含节点、应用、参数、运行时长、内存占用以及完成后自动抓取的SIMRATE、TOT_IPC、TOT_INSN等指标。2. 收统计数据# 按本次启动收集每应用统计 ./util/job_launching/get_stats.py -N myTest | tee stats.csv # 按每个 kernel 实例聚合论文对比常用 ./util/job_launching/get_stats.py -K -k -B rodinia_2.0-ft -C QV100-SASS | tee per-kernel.csv # 输出可直接喂给自动绑图脚本 ./util/job_launching/get_stats.py -R -B rodinia_2.0-ft -C QV100-SASS,QV100-PTX | tee autoplot.csv想收集哪些指标由 util/job_launching/stats/example_stats.yml 中的正则定义默认包含gpu_ipc、gpu_occupancy、L2_BW、仿真速率等常用指标。3. 一键快速验证如果只想快速确认整个工作流能跑通仓库根目录的 short-tests.sh 就演示了完整闭环编译模拟器 → 下载 rodinia trace → 用run_simulations.py跑QV100-SASS→ 用monitor_func_test.py等待并汇总。六、常用参数速查表参数说明典型取值-Bbenchmark 套件列表rodinia_2.0-ft、parboil-C配置列表QV100-SASS、A100-PTX-Ttrace 根目录SASS 模式./hw_run/traces/device-0/9.1/-N本次启动命名myTest-M单任务内存限制70G、4G-l任务管理器sbatch/qsub/local-c本地模式并行核数默认吃满本机核数-r自定义运行目录./my_sim_runs-n只建目录不提交本地试跑配置用开关-aAccelWattch HW/HYBRID 模式传应用名开关关于任务管理器脚本会自动探测sbatch→qsub→ 本地 procman.py。procman是一个零依赖的单机穷人版 Slurm把任务排队后按核数持续并发执行单机多核跑几十个任务非常顺手# 明确指定本地调度并限制用 8 核 ./util/job_launching/run_simulations.py -B rodinia_2.0-ft -C QV100-SASS \ -T ./hw_run/rodinia_2.0-ft/9.1/ -N myTest -l local -c 8七、让效率翻倍的进阶技巧 ⚡大 workload 记得限内存跑全量验证集数百个应用时加-M 70G避免单任务内存撑爆节点功耗仿真顺手开把-C换成GV100-Accelwattch_SASS_SIM即可在性能仿真同时输出功耗结果按 kernel 存放在运行目录的accelwattch_power_report.log中详见 AccelWattch.md先小后大先用rodinia_2.0-ft这类短跑功能测试验证新配置-n只建目录不提交方便先手动检查gpgpusim.config再上大规模 sweep目录可安全清理运行目录在每次新启动时会重建确认结果已收集后可以直接删除。八、常见问题 FAQQ1报错 ERROR - Please run setup_environment before running this script说明当前 shell 没有 source 过 setup_environment.sh重新执行source ./gpu-simulator/setup_environment.sh再启动即可。Q2报错 ERROR - Cannot find nvcc PATH把CUDA_INSTALL_PATH/bin加进PATH保证nvcc可被找到。Q3提示找不到 trace-T应指向 trace 树的根目录脚本会在其中自动匹配应用_参数/traces结构路径写法参考 short-tests.sh 中的-T ./hw_run/rodinia_2.0-ft/9.1。Q4配置名里写了 SASS 却报退出SASS 配置必须配合-T指定 trace 目录否则脚本会直接退出提醒你。Q5想只手动跑单个 workload 怎么办可以直接调用可执行文件accel-sim.out -trace ./traces/kernelslist.g -config .../gpgpusim.config -config .../trace.config。但官方建议优先使用run_simulations.py目录结构和统计收集全都对得上生产力差距明显。总结Accel-Sim 的仿真工作流可以用一句话概括run_simulations.py负责发任务job_status.py/monitor_func_test.py负责盯任务get_stats.py负责收数据。掌握-B、-C、-T、-N四个核心参数和基础配置 扩展配置的命名规则你就能像官方 CI 一样标准化地批量执行 GPU 仿真并把结果一键聚合成可直接绑图的 CSV 赞分享【免费下载链接】accel-sim-frameworkThis is the top-level repository for the Accel-Sim framework.项目地址https://gitcode.com/gh_mirrors/ac/accel-sim-framework点击查看免费下载相关推荐GPGPU-Sim终极GPU仿真平台完全指南GPGPU Sim终极GPU仿真平台完全指南 想要深入了解GPU内部工作原理却苦于没有真实硬件GPGPU Sim就是你的完美解决方案这个强大的开源工具让你科研高性能计算硬件仿真Magicoder与主流代码模型的终极对决HumanEval、MBPP基准测试结果分析Magicoder与主流代码模型的终极对决HumanEval、MBPP基准测试结果分析 Magicoder是一款基于开源指令OSS Instruct的AIOpenScholar终极指南5步构建你的AI科研助手让文献调研效率提升10倍 OpenScholar终极指南5步构建你的AI科研助手让文献调研效率提升10倍 在科研领域每天都有数百万篇论文发表传统的人工文献筛选方式已经无法满人工智能大模型RAGAI 应用微调上一篇终极指南Merlin代理从编译到部署的完整教程 下一篇Futurerestore终极指南iOS固件降级与恢复的完整解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考