智能手机已经成为人们平时生活中密不可分的一部分,在各个领域被广泛使用。但是,至今为止学术界和工业界都没有一套准确的手机处理器基准测试集。现有的手机处理器基准测试集如Antutu和鲁大师等并不能代表目前手机上应用程序的特点。首先,以往的基准测试集并不是通过真实的应用程序来构建的,且没有考虑人机之间的交互问题,因此无法反应实际的用户场景。其次,在构建基准测试集时,并未在微体系结构层次对手机处理器进行分析,因此无法反应手机处理器性能瓶颈的根源,导致最后构建出的基准测试集不准确。最后,现有的手机处理器基准测试集未对测试集中的程序进行相似性分析,导致基准测试集冗余很高。为了解决以上问题,本文提出了一种手机处理器基准测试集构建方法。首先,实验基于70个真实的手机应用程序和三种真实的用户交互场景。其次,在微体系结构层面对手机处理器进行表征,其中对微体系结构事件的分析是关键。微体系结构事件数量繁多且难以识别哪些是重要的事件。本文通过机器学习的方法量化微体系结构事件的重要性,选出可以作为公共标准的重要性事件作为手机处理器在微体系结构层面的评价指标。最后,对程序进行相似性分析,选取有代表性的程序并且消除程序的冗余。本文通过聚类分析,使用手肘定理和轮廓系数的方法,以公共标准事件为标准对应用程序进行分类,在分类的基础上通过公共事件重要性占比的方式来衡量应用程序之间的相似性,去除冗余的应用程序,构建了一个合理的手机处理器基准测试集。本文使用上述方法对两部手机Mate30＿5G和Note10＿5G进行微体系结构的表征。结果表明,通过使用重要性分析,发现有7个微体系结构事件可以作为跨微体系结构,跨交互场景的公共标准事件,且这7个事件全部和load和store相关联。同时,在微体系结构层次对两款手机处理器进行性能分析,发现Note10的整体性能要比Mate30高16%。最后通过基准测试集构建方法,将70个应用程序分为7类,并最终从这7类中选出12个应用程序作为最后的基准测试集。