预取作为常见的片外存储器延迟隐藏技术之一,可以有效缓解“内存墙”问题。传统预取器通过学习存储器访问模式来预测将要访问的数据。然而,数据组织方式的复杂导致存储器的访问呈现出不规则的特点,且多核系统的使用也令访问模式难以辨别,这些都使得传统预取器的精准预测变得困难。为此,具有复杂问题建模和强大学习能力的机器学习方法被用于设计预取器。但现有基于机器学习的预取器只专注于地址预测的准确性,而忽略了调整激进程度的重要性。若不对预取激进程度进行合理调整,则无法在缓存污染和性能收益之间获取有效的平衡,影响缓存性能的进一步提升。针对上述问题,提出了一种基于性能感知和分支决斗的动态预取模型DPAD（Dynamic Prefetching Model Based on Performance-Aware and Branch Dueling）。首先,使用深度强化学习来对预取器建模,提取访问请求的特征作为分支决斗智能体的输入,并将地址增量与预取度作为动作输出。通过地址增量和预取度生成预取请求,作为智能体的预取决策。然后设计了一种基于过滤器的预取收益计算方法。对于每个预取决策,该方法根据预取的效果与预取的收益计算奖励值,来评估当前系统环境下预取决策的质量,并将奖励分配给智能体以优化其地址预测和激进程度调整的策略。此外,为了降低预取带来的缓存污染,提出了一种基于保护段的预取感知缓存替换策略,通过区分预取数据与按需请求数据,在缓存更新时对这两类数据使用不同方案,并基于重用距离设置保护段,以避免预取数据驱逐保护段内的数据。使用ChampSim模拟器在SPEC CPU2006、SPEC CPU2017、PARSEC、Ligra、Cloudsuite五种不同类型的工作负载上进行测试,将DPAD与当前先进的四个预取器Bingo、MLOP、Pythia、DSPatch对比。实验结果表明,DPAD在十二核系统上的性能比DSPacth和Pythia分别高出18.7%和3.5%,在最后一级缓存为4MB时性能比DSPacth和Pythia分别高10.8%和5.2%,在不同内存带宽下也始终保持着性能优势。