分支预测是提高处理器流水线指令供应和吞吐量的有效途径。然而,在多核体系结构下,一个核在初始启动时,由于分支预测历史的缺失,分支预测器需要经过一个训练的过程才能获得较高的预测准确率,这非常耗时。此外,关于提高大数据工作负载性能的研究表明,运行相同大数据工作负载的不同内核的指令流具有显著的共性。基于以上观察,本文提出了一种在核间迁移分支预测历史的技术,以减少新启动核心中的分支预测训练过程,提高系统性能。实验通过使用TAGE分支预测器的模拟器进行,以验证我们的方法的有效性。具体工作及创新点如下:1.在多核环境下,研究了核间指令的相似性,为分支预测指令的迁移提供了理论基础;2.基于当前最先进的TAGE分支预测器,研究了核间分支预测信息的迁移。对可能影响系统性能的方面进行理论分析,并进一步讨论;3.设计了不同的迁移策略和模拟实验,来研究最优的迁移方法以及不同参数对迁移结果的影响。通过理论分析与实验仿真相结合,本文得出结论:通过迁移核之间的分支预测历史信息,可以有效提高新启动核心的分支预测准确率。实验数据表明,与不迁移相比,仅迁移T0基本分支预测器和迁移T0-T4预测器时的预测准确率分别提高了 24.26%和34.08%。此外,我们的方法在不同的核上表现良好。