AMD CPU的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

軟體調試（第2版）卷1：硬體基礎

為了解決AMD CPU的問題，作者張銀奎 這樣論述：

本書堪稱是軟體調試的「百科全書」。作者圍繞軟體調試的「生態」系統（ecosystem）、異常（exception）和調試器3條主線，介紹軟體調試的相關原理和機制，探討可調試性（debuggability）的內涵、意義以及實現軟體可調試性的原則和方法，總結軟體調試的方法和技巧。第1卷主要圍繞硬體技術展開介紹。全書分為4篇，共16章。第一篇「緒論」（第1章），介紹了軟體調試的概念、基本過程、分類和簡要歷史，並綜述了本書後面將詳細介紹的主要調試技術。第二篇「CPU及其調試設施」（第2～7章），以英特爾和ARM架構的CPU為例系統描述了CPU的調試支持。第三篇「GPU及其調試設施」（第8～14章），深

入探討了Nvidia、AMD、英特爾、ARM和Imagination這五大廠商的GPU。第四篇「可調試性」（第15～16章），介紹了提高軟體可調試性的意義、基本原則、實例和需要注意的問題，並討論了如何在軟體開發實踐中實現可調試性。本書理論與實踐緊密結合，既涵蓋了相關的技術背景知識，又針對大量具有代表性和普遍意義的技術細節進行了討論，是學習軟體調試技術的寶貴資料。本書適合所有從事軟體開發工作的讀者閱讀，特別適合從事軟體開發、測試、支持的技術人員，從事反病毒、網路安全、版權保護等工作的技術人員，以及高等院校相關專業的教師和學生學習參考。張銀奎，國內知名的調試技術專家。畢業於上海交通大學信息與控制工

程系，長期從事軟體開發和研究工作，曾在英特爾工作13年，對IA-32架構、操作系統內核、驅動程序，尤其是對軟體調試有較深入的研究。著有《軟體調試》《格蠹彙編》等暢銷、常銷技術圖書，格蠹科技（xedge.ai）創始人，高端調試網站（advdbg.org）創建者。翻譯（合譯）作品有《二十一世紀機器人》《觀止——微軟創建NT和未來的奪命狂奔》《數據挖掘原理》《機器學習》《人工智慧：複雜問題求解的結構和策略》等。

AMD CPU進入發燒排行的影片

使用單向循環路徑以達成 高效能與有限等待的自旋鎖

為了解決AMD CPU的問題，作者林翰廷 這樣論述：

在現代的 CPU 中，存取 shared data 的效率會隨著核心數增加而下降，在物理上，最遠的傳輸距離也會增加。然而目前的 non-uniform memoryaccess (NUMA)-aware lock algorithm 只以 CPU socket 為單位對之中核心的transmission cost 進行優化，並沒有完整利用整個多核心處理器的connection network，因此在核心之間會產生的大量的 transmission cost，雖然每個 cost 不大，但仍會限制多核心處理器的 scalability。對於這個現象，一般會用較複雜的演算法來降低 transmis

sion cost，但這個做法難點是降低的 transmission cost 很難彌補演算法時間複雜度的上升，這也是這篇論文提出的方法要解決的問題。1本篇論文提出的方法叫 Routing on Network-on-chip (RON)，主要使用routing table 來最小化核心之間的 transmission cost。在這個方法當中，會先行算出核心之間最佳的傳輸順序 (route)，再依此順序傳遞 lock。根據這個傳輸路徑，RON 會以"單向循環"的 policy 傳遞 lock 與 data，而這個policy 可以達到兩個目的： (1)最小化 data 的 transmiss

ion cost、(2)bounded waiting。依據最佳傳輸路徑除了達到 (1)以外，每個在路徑上的核心也都一定會被訪問，所以可以達到 (2)。本篇論文使用 microbenchmark與 multi-core benchmark 進行量化分析與檢視 RON 在不同 workload 下的效能表現。 以 google LevelDB 進行實測，在 user space 下，RON 的效能比 C-BOMCS、ShflLock 高出 5.8%、3.2%；在 oversubscribe (thread 數量高於核心數)的情況下，RON-plock 的效能比 C-BO-MCS-B、ShflLo

ck-B 高出 1.7 倍、13.3 倍，而且 RON-plock 的空間複雜度為 O (1)。

加速MATLAB編程指南：CUDA實現

為了解決AMD CPU的問題，作者趙地 這樣論述：

MATLAB是廣泛應用的演算法開發語言之一。然而，MATLAB簡單易用的特性與演算法複雜性的矛盾，造成了各個領域的MATLAB程式運行緩慢。本書總結了作者多年來在演算法開發工作中關於MATLAB程式加速的實戰經驗，系統地介紹了利用GPU計算能力和CUDA程式設計語言實現加速MATLAB程式設計的方法。 本書首先介紹了MATLAB程式的性能評估的方法，説明讀者找到制約MATLAB程式運行速度的“瓶頸”所在；接著循序漸進地介紹加速MATLAB程式設計的方法，包括基於多核處理器的MATLAB程式加速、基於大記憶體和向量化的MATLAB程式加速、基於平行計算工具箱和GPU計算的MATLAB加速、基

於CUDA庫的MATLAB加速、基於CUDA語言的MATLAB加速等。同時，本書附帶了大量程式實例，包括深度學習及大資料分析領域的例子，深入淺出地示範各種基於CUDA語言的MATLAB程式加速的技巧。 本書可幫助讀者對所在領域的MATLAB應用程式進行顯著加速，大幅提升演算法開發的效率。 趙地獲得美國路易斯安娜理工大學（Louisiana Tech University）電腦與應用數學專業博士學位，曾在美國哥倫比亞大學（Columbia University）和美國俄亥俄州立大學（The Ohio State University）從事博士后研究工作。 趙地博士在GPU計

算方面具有豐富的研究經驗，發表了多篇學術論文和會議論文。現任CNIC-英偉達公司GPU研究中心（GPU Research Center, GRC）、CNIC-英偉達公司GPU教育中心（GPU Education Center, GEC）和CNIC-英偉達公司「智慧醫療」聯合實驗室負責人；中國圖象圖形學學會視覺大數據專業委員會委員，CCF會員。 第1章緒論 1.1MATLAB程式的加速 1.2MATLAB程式加速的可能途徑 1.2.1基於多核CPU的MATLAB程式加速 1.2.2基於大記憶體的MATLAB程式加速 1.2.3基於英偉達公司GPU的MATLAB程式加速

1.2.4基於AMD公司GPU的MATLAB程式加速 1.2.5基於Intel公司Xeon Phi的MATLAB程式加速 1.3MATLAB程式加速的度量 1.4基於GPU計算的MATLAB程式的編制 1.4.1平行計算工具箱簡介 1.4.2CUDA庫 1.4.3CUDA程式設計 第2章MATLAB程式的性能評估 2.1bench()函數 2.2tic()函數/toc()函數 2.3timeit()函數 2.4cputime()函數 2.5clock()函數和etime()函數 2.6gputimeit()函數 2.7MATLAB探查器 第3章基於多核處理器的

MATLAB程式加速 3.1MATLAB矩陣及運算子 3.1.1MATLAB矩陣的創建 3.1.2矩陣的性質的檢驗 3.1.3MATLAB矩陣的操作 3.2MATLAB函數 3.2.1MATLAB函數的定義 3.2.2MATLAB函數的執行 3.3語句與代碼 3.3.1分支結構 3.3.2迴圈結構 3.4MATLAB代碼 3.5MATLAB並行設置 3.6基於並行for迴圈(parfor迴圈)的MATLAB程式加速 第4章基於大記憶體的MATLAB程式的加速 4.1記憶體條的選擇與安裝 4.2記憶體預分配 4.2.1已知數組大小 4.2.2未知數組大小 4

.3MATLAB向量化簡介 4.4MATLAB矩陣運算的向量化 4.4.1創建MATLAB矩陣的函數 4.4.2資料複製 4.4.3MATLAB的矩陣變換函數 4.4.4索引 4.4.5矩陣操作的向量化 4.4.6符合條件的元素總數 4.5MATLAB函數的向量化 4.5.1基於arrayfun()函數、bsxfun()函數、cellfun()函數、 spfun()函數和structfun()函數的向量化 4.5.2基於pagefun()函數的向量化 4.6MATLAB語句的向量化 第5章基於平行計算工具箱的MATLAB加速 5.1GPU卡的選擇與安裝 5.1.1G

PU卡的選擇 5.1.2電源功率 5.1.3散熱問題 5.2基於平行計算工具箱的GPU計算簡介 5.3基於平行計算工具箱的矩陣運算 5.3.1在設備端(GPU端)直接創建MATLAB矩陣 5.3.2在設備端(GPU端)生成亂數矩陣 5.3.3設備端(GPU端)的疏鬆陣列 5.3.4設備端(GPU端)矩陣的資料類型 5.3.5設備端(GPU端)矩陣的檢驗 5.3.6設備端(GPU端)矩陣的操作 5.4基於平行計算工具箱的設備端(GPU端)函數 5.4.1設備端(GPU端)函數的定義 5.4.2設備端(GPU端)函數的執行 5.5基於設備端(GPU端)大記憶體的MATL

AB程式的加速 5.6例子 5.6.1卷積神經網路前向傳播的卷積層 5.6.2卷積神經網路前向傳播的啟動函數 5.6.3卷積神經網路前向傳播的降採樣層 5.6.4卷積神經網路後向傳播的升採樣層 5.6.5卷積神經網路後向傳播的卷積層 5.6.6卷積神經網路後向傳播中的梯度計算 第6章MATLAB與C/C++的介面 6.1MEX庫API 6.1.1MEX相關的函數 6.1.2從MEX中調用MATLAB函數 6.1.3mexGet()函數 6.1.4MEX庫API與輸入輸出相關的函數 6.1.5MEX庫API與鎖定相關的函數 6.2MATLAB的C/C++矩陣庫API

6.2.1定義MEX函數的資料類型 6.2.2創建陣列、分配記憶體和釋放記憶體 6.2.3資料類型校驗： 陣列的資料類型和性質 6.2.4資料存取： 從陣列讀取和寫入資料 6.2.5資料類型轉換： 將字串陣列和結構陣列轉換成物件陣列 6.3MEX函數編譯器 6.3.1MEX介紹 6.3.2編譯MEX 6.3.3MEX文件的查錯 第7章基於CUDA庫的MATLAB加速 7.1基於CUDA庫的MATLAB加速簡介 7.2基於ArrayFire庫的MATLAB加速簡介 7.2.1ArrayFire簡介 7.2.2ArrayFire陣列 7.2.3ArrayFire函數

7.2.4CUDA的混合程式設計 7.2.5實例 7.3基於其他CUDA庫的MATLAB加速簡介 第8章GPU計算簡介 8.1晶片技術的發展與摩爾定律 8.2每秒浮點運算次數 8.3GPU計算加速的度量 8.3.1GPU程式的加速比 8.3.2阿姆達爾定律和古斯塔夫森定律 8.3.3並行程式的並行狀況 8.4平行計算部件 8.4.1張量處理器 8.4.2現場可程式設計閘陣列 8.4.3類腦處理器 8.4.4視覺處理器 8.4.5物理處理器 8.4.6圖形處理器 8.5英偉達公司GPU簡介 8.5.1計算單元 8.5.2GPU記憶體 8.5.3計算能力

8.5.4GPU當前狀態的檢測 8.5.5GPU集群設置 8.5.6集群管理軟體 第9章CUDA程式設計簡介 9.1CUDA核 9.2CUDA執行緒與執行緒塊 9.2.1CUDA執行緒 9.2.2CUDA執行緒塊 9.3記憶體結構與管理 9.3.1全域記憶體 9.3.2共用記憶體 9.3.3鎖頁記憶體 9.3.4紋理記憶體和表面記憶體 9.4並行管理 9.4.1非同步並存執行 9.4.2流和事件 9.4.3同步調用 9.5CUDA流 9.5.1CUDA流的創建和結束 9.5.2默認CUDA流 9.5.3顯式同步 9.5.4隱式同步 9.5.5重疊

行為 9.5.6回呼函數 9.5.7CUDA流的優先順序 9.6CUDA事件 9.6.1CUDA事件的創建與清除 9.6.2CUDA事件的運行 9.7多設備系統 9.7.1多設備系統的初始化 9.7.2多設備系統的設備計數 9.7.3多設備系統的設備選擇 9.7.4多設備系統的CUDA流和CUDA事件 9.7.5不通過統一虛擬位址的多設備系統的設備間的記憶體複製 9.7.6通過統一虛擬位址的多設備系統的設備間的記憶體複製 9.8動態並行 9.8.1動態並行簡介 9.8.2動態並行的程式設計模型 9.8.3動態並行的環境配置 9.8.4動態並行的記憶體管理 9

.8.5動態並行的嵌套深度 9.9統一虛擬位址空間 9.9.1統一虛擬位址空間簡介 9.9.2統一記憶體程式設計的優點 9.9.3統一記憶體分配 9.9.4統一記憶體的連續性與並行性 9.9.5統一記憶體的檢驗 9.9.6統一記憶體的性能優化 9.10CUDA的編譯 9.10.1CUDA編譯工作流 9.11CUDA程式實例 9.11.1序列蒙特卡羅的類別分佈亂數 9.11.2哈爾變換 第10章CUDA程式優化 10.1CUDA程式優化的策略 10.2指令級別的優化 10.2.1算術指令輸送量最大化 10.2.2控制流指令 10.2.3同步指令 10.3執行

緒和執行緒塊級別的優化 10.3.1warp簡介 10.3.2CUDA執行緒塊的warp數量 10.3.3CUDA佔用率 10.3.4執行緒warp對設備端(GPU端)記憶體讀寫 10.4CUDA核級別的優化 10.4.1優化CUDA核參數 10.4.2減少記憶體同步 10.4.3減少寄存器總量 10.4.4提高指令層次的並行度 10.5CUDA程式級別的優化 第11章基於CUDA的MATLAB加速 11.1基於CUDAKernel的MATLAB加速 11.2基於MEX函數的MATLAB加速 11.3多GPU程式設計 11.4例子 11.4.1基於MEX函數的多

GPU矩陣相加 11.4.2基於MEX函數的多GPU的LSE函數 第12章總結 12.1加速MATLAB程式設計方法的比較 12.2進一步加速MATLAB 12.2.1多路多核處理器的MATLAB程式加速 12.2.2基於AMD公司GPU的MATLAB程式加速 12.2.3基於Intel公司Xeon Phi的MATLAB程式加速 參考文獻

利用QEMU針對ARM虛擬機器上之行程進行動態函式追蹤

為了解決AMD CPU的問題，作者林履誠 這樣論述：

ARM硬體架構於行動裝置、個人電腦和雲端伺服器上面的市場份額占比越來越高，進而使針對ARM裝置的網路攻擊也隨之增加。因此，協助分析ARM裝置上的惡意攻擊行為的工具的需求也日益浮現。virtual machine introspection (VMI) 是一個利用virtual machine (VM) 來進行惡意軟體側錄跟惡意行為分析的技術，其先前在x86硬體架構上面已經有廣泛並且成熟的應用，然而此類工具在ARM裝置的支援仍然處遇前期的階段。本研究試圖利用QEMU，開發出一個能夠應用於ARM裝置上面的VMI系統。這個系統會專注於攔截並且側錄虛擬機器上面特定行程的函式呼叫。為了能夠開發出這樣的

系統，我們在過程中面臨了兩個主要的問題：判斷需要監控的行程是否正在執行和如何在執行過程中攔截行程特定的函式呼叫。第一個問題我們主要利用行程的page table address跟ARM CPU上面的translation table base pointer比對，來解決判斷行程的問題。第二個問題我們利用了QEMU內部translation block的機制，進而找到適合的攔截函式呼叫的時機。在實作這個VMI系統時，我們修改了QEMU的tiny code generator，並且在每一次QEMU執行一個translation block之前，植入了我們部分的VMI的程式。這樣可以確保我們的VMI

程式可以於惡意程式在被執行之前，獲得執行的控制權，讓惡意程式無法偵測到我們的執行，然後隱藏他的攻擊足跡。我們在QEMU monitor commands內加入了幾個方便使用者可以輸入的指令，讓使用者可以透過輸入指令的方式來進行程式側錄，並且將結果輸出成log檔案。最後我們針對這個VMI系統進行效能測量，平均的效能影響僅有4%。