在芯片设计领域,将CPU和GPU集成到一个芯片上的处理器架构越来越常见。但如何高效利用集成处理中的CPU和GPU仍是一个亟待解决的问题。集成架构给编程和系统优化带了许多挑战,不规则程序尤甚。对于不规则的程序,处理器CPU和GPU间体系结构的差异和负载的不规则性使得简单划分的CPU、GPU程序混合运行效率较低。本文主要关注如何高效地利用集成体系结构,并对不规则的程序有针对性地进行优化。本文的主要贡献如下:(1)提出了评测集成异构架构下多设备混合运行的基准测试程序集,CoRun-Bench。本文从Rodinia、Parboil和Polybench等基准测试程序集中收集了 42个程序,分析它们在AMD和Intel集成处理器上的多设备混同运行性能。和单设备程序运行相比,本文发现多设备混合运行并不总是能带来性能提升。在这些程序中,只有8个程序能够受益于多设备混合运行,其中24个程序只使用GPU能达到最优结果,7个程序只使用CPU能达到最优结果,剩下的3个程序没有明显性能倾向。通过对CoRunBench程序集进行深入的负载特征分析,本文发现GPU和CPU体系结构的差异和有限的共享内存带宽是影响多设备混合运行效率的关键。(2)提出了辅助用户移植程序到集成处理器的工具。因为并不是所有的程序都能受益于集成处理器的混合运行,所以本文提出了基于决策树模型的工具来辅助程序开发者判断移植程序到集成架构能否带来性能提升。对于给定的15个程序,实验表明本模型能够准确预测14个程序的性能结果。对于混合运行能够带来性能提升的程序,本工具能够进一步进行分析并预测出CPU和GPU的最优数据划分点。本文提出的预测方法能够达到最优划分性能的87.7%,多设备混合运行的执行结果和单CPU版本、单GPU版本相比性能分别提升了 34.5%和20.9%。(3)提出了集成处理器上针对不规则程序的细粒度划分的方法,FinePar。FinePar考虑了 CPU和GPU体系结构上的差异,并且利用了集成处理器中不同设备的特性可以进行细粒度划分。通过不规则性能模型和在线调试,FinePar通过细粒度的不规则数据划分达到了各设备负载均衡的目的。本文在AMD的集成处理器上对8个不规则程序进行性能评估,并和当前最优划分方法进行比较。实验结果表明FinePar具有更优的资源利用率,FinePar的性能是最优粗粒度划分方法性能的1.38倍。