研究表明使用基于抢占机制的空分多任务共享GPU技术可以提升系统的整体性能。当多个应用并行运行在同一块GPU之上时,由于存在着对于共享资源使用权的竞争,它们各自的性能相比于其独占整块GPU时的性能有所下降。在不使用关于应用本身的先验知识的前提下,准确高效的预测由于共享GPU而导致的应用性能下降程度(记为性能冲突)对于公有云服务商而言具有重要的意义。已有的关于性能冲突预测的技术主要是针对于传统的CPU架构,因而当被应用到具有不同体系结构的GPU时,它们或是预测的误差过大或是预测的开销过高。我们的研究表明一些可以在线低开销收集的,反映共享应用特征的硬件级事件统计量与混跑应用性能冲突之间有着很高的相关度。基于此,我们设计了Themis,一种在线的,可以准确高效的预测混跑应用性能冲突的预测器。我们首先根据离线收集的典型应用混跑时的硬件级事件统计量训练了一个可以准确预测性能冲突的神经网络。当新来的应用混跑时,Themis在线的收集它们各自的硬件级事件统计量并将这些统计量输入给离线训练的神经网络来预测这些混跑应用的性能冲突。我们的实验表明Themis拥有很低的运行时开销,并且它可以以不超过9.5%的平均预测误差准确地预测混跑应用的性能冲突。此外,我们还以Themis为基础设计了一个流多处理器动态再分配引擎用以控制应用由于共享GPU而产生的性能下降。在公平共享和保证服务质量两个场景下的实验表明,我们设计的流多处理器动态再分配引擎可以有效的控制混跑应用的性能冲突。