企业官网建设流程全解析

Accel-Sim 是一个面向 GPU 体系结构研究的开源仿真框架（基于 GPGPU-Sim 4.0 性能模型 + AccelWattch 功耗模型），而 run_simulations.py 是它内置的工作负载批量启动管理器：一条命令即可把"多个基准测试 × 多种 GPU 配置"的任务矩阵自动拆分成成百上千个仿真任务，处理目录创建、trace 链接、配置文件拼装，并自动适配 Slurm / Torque / 本地多核调度。本文带你从零走通 Accel-Sim 仿真工作流 🚀

一、Accel-Sim 是什么？为什么需要批量跑？

做 GPU 仿真研究时，你通常要做这几件事：

1. 拿一堆 benchmark（Rodinia、PolyBench、CutLASS 等）在多种配置（QV100、A100、TITANX……）下反复跑仿真；
2. 确认所有任务都正确跑完，出错了能快速定位；
3. 把结果聚合成论文里的统计表格（如 IPC、周期数对比）。

如果手动一个个跑accel-sim.out，不仅繁琐，还很容易因为参数、目录不一致导致结果无法对比。Accel-Sim 提供的 util/job_launching/ 脚本组就是为解决这个问题而生的，核心 4 个脚本：

💡 提示：所有 Python 脚本都支持--help查看详细参数说明。

二、仿真环境准备：3 步完成部署

批量跑仿真前，需要确认以下环境已就绪（详见 util/job_launching/README.md）：

1. 安装 CUDA Toolkit，且nvcc在PATH中；
2. 已 source 模拟器环境脚本并完成编译；
3. SASS 模式下：已生成或下载 trace 文件；PTX 模式下：已编译好应用。

# 1. 获取 Accel-Sim 框架代码 git clone https://gitcode.com/gh_mirrors/ac/accel-sim-framework # 2. 安装 Python 依赖并配置环境（设置 GPGPUSIM_ROOT 等变量） pip3 install -r requirements.txt source ./gpu-simulator/setup_environment.sh # 3. 编译模拟器，产出 gpu-simulator/bin/release/accel-sim.out make -j -C ./gpu-simulator/

没有 GPU 想跑 SASS trace？仓库提供了预生成 trace 的下载脚本：

./get-accel-sim-traces.py # 按提示选择要下载的预 trace 应用

三、run_simulations.py 批量启动仿真任务

1. SASS trace-driven 模式（推荐）

trace-driven 模式消费 SASS 指令 trace，仿真速度与真实应用规模无关，是 Accel-Sim 的主打用法：

./util/job_launching/run_simulations.py \ -B rodinia_2.0-ft \ -C QV100-SASS \ -T ./hw_run/traces/device-0/9.1/ \ -N myTest

参数拆解：

• -B：要跑的 benchmark 套件名（可逗号分隔多个），定义在 util/job_launching/apps/define-*.yml 中，如rodinia_2.0-ft、GPU_Microbenchmark、parboil、cutlass_5_trace等；
• -C：GPU 配置名（可逗号分隔多个），定义在 util/job_launching/configs/define-standard-cfgs.yml；
• -T：trace 根目录，脚本会自动在其中的子目录里定位每个 benchmark 对应的traces/；
• -N：本次启动的命名，后续查状态、收统计都靠它。

2. PTX 模式

不带-T即进入 PTX 模式，直接仿真编译后的可执行文件：

./util/job_launching/run_simulations.py -B rodinia_2.0-ft -C QV100-PTX -N myTest-PTX

3. 它背后帮你做了什么？

run_simulations.py 并不是简单地"提交 N 个任务"，它会自动完成 7 件事：

1. 把已编译的accel-sim.out复制到按 git commit 版本隔离的gpgpu-sim-builds/目录——测试跑一半时重新编译模拟器，也不会影响在跑的任务；
2. 按运行目录/应用名/参数目录/配置名创建每个任务独立的运行目录；
3. 把仿真所需的.ptx、.icnt、.csv、.xml等文件复制进目录；
4. 为每个目录软链接它需要的data/和traces/；
5. 拼装最终gpgpusim.config（base 配置 + 扩展参数 + benchmark 专属选项 + SASS 模式的 trace.config）；
6. 通过任务管理器（Slurm/Torque/本地）提交任务；
7. 在logfiles/下生成启动日志，供后续脚本收集状态和统计。

默认运行目录是sim_run_<CUDA版本>/（如sim_run_12.8），可用-r自定义。想调试某个任务？进入对应目录后执行gdb --args ./justrun.sh即可。

四、看懂配置命名：QV100-SASS 是怎么拼出来的？

配置名采用"基础配置 - 扩展配置"的可组合命名（解析逻辑见 common.py 中的get_config）。基础配置对应一块真实 GPU 的 gpgpusim.config：

后面跟的扩展配置是"开关"式追加参数，例如：

• QV100-SASS/QV100-PTX：标记驱动方式（官方强烈建议命名里带上，方便区分）；
• L1ON/L1OFF：开/关 L1 数据缓存；
• FRFCFS/FCFS：DRAM 调度器切换；
• PWR_ENABLE、Accelwattch_SASS_SIM等：启用 AccelWattch 功耗仿真；
• 64SM：把 SM 数翻倍成假设架构，用于"what-if"探索。

一条命令对比多种配置，逗号分隔即可：

./util/job_launching/run_simulations.py -B rodinia_2.0-ft \ -C QV100-SASS,RTX2060-SASS,A100-SASS -T ./hw_run/traces/... -N cmp-test

想跑自己的配置或应用？按 define-all-apps.yml / define-standard-cfgs.yml 的格式新建define-myapps.yml即可，脚本启动时会自动加载目录里所有define-*.yml，互不干扰。

五、监控任务与收集统计：闭环工作流

1. 查状态

# 随时查看任务状态（运行中/等待/完成 + 基本仿真指标） ./util/job_launching/job_status.py -N myTest # 阻塞式监控：任务没跑完不返回，跑完自动调 get_stats.py 汇总 ./util/job_launching/monitor_func_test.py -v -N myTest

job_status.py的输出是一张直观的状态表，包含节点、应用、参数、运行时长、内存占用，以及完成后自动抓取的SIMRATE、TOT_IPC、TOT_INSN等指标。

2. 收统计数据

# 按本次启动收集每应用统计 ./util/job_launching/get_stats.py -N myTest | tee stats.csv # 按每个 kernel 实例聚合（论文对比常用） ./util/job_launching/get_stats.py -K -k -B rodinia_2.0-ft -C QV100-SASS | tee per-kernel.csv # 输出可直接喂给自动绑图脚本 ./util/job_launching/get_stats.py -R -B rodinia_2.0-ft -C QV100-SASS,QV100-PTX | tee autoplot.csv

想收集哪些指标由 util/job_launching/stats/example_stats.yml 中的正则定义，默认包含gpu_ipc、gpu_occupancy、L2_BW、仿真速率等常用指标。

3. 一键快速验证

如果只想快速确认整个工作流能跑通，仓库根目录的 short-tests.sh 就演示了完整闭环：编译模拟器 → 下载 rodinia trace → 用run_simulations.py跑QV100-SASS→ 用monitor_func_test.py等待并汇总。

六、常用参数速查表

关于任务管理器：脚本会自动探测sbatch→qsub→ 本地 procman.py。procman是一个零依赖的单机"穷人版 Slurm"，把任务排队后按核数持续并发执行，单机多核跑几十个任务非常顺手：

# 明确指定本地调度并限制用 8 核 ./util/job_launching/run_simulations.py -B rodinia_2.0-ft -C QV100-SASS \ -T ./hw_run/rodinia_2.0-ft/9.1/ -N myTest -l local -c 8

七、让效率翻倍的进阶技巧 ⚡

1. 大 workload 记得限内存：跑全量验证集（数百个应用）时加-M 70G，避免单任务内存撑爆节点；
2. 功耗仿真顺手开：把-C换成GV100-Accelwattch_SASS_SIM即可在性能仿真同时输出功耗，结果按 kernel 存放在运行目录的accelwattch_power_report.log中，详见 AccelWattch.md；
3. 先小后大：先用rodinia_2.0-ft这类短跑功能测试验证新配置（-n只建目录不提交，方便先手动检查gpgpusim.config），再上大规模 sweep；
4. 目录可安全清理：运行目录在每次新启动时会重建，确认结果已收集后可以直接删除。

八、常见问题 FAQ

Q1：报错 "ERROR - Please run setup_environment before running this script"？说明当前 shell 没有 source 过 setup_environment.sh，重新执行source ./gpu-simulator/setup_environment.sh再启动即可。

Q2：报错 "ERROR - Cannot find nvcc PATH"？把CUDA_INSTALL_PATH/bin加进PATH，保证nvcc可被找到。

Q3：提示找不到 trace？-T应指向 trace 树的根目录（脚本会在其中自动匹配<应用_参数>/traces结构），路径写法参考 short-tests.sh 中的-T ./hw_run/rodinia_2.0-ft/9.1。

Q4：配置名里写了 SASS 却报退出？SASS 配置必须配合-T指定 trace 目录，否则脚本会直接退出提醒你。

Q5：想只手动跑单个 workload 怎么办？可以直接调用可执行文件：accel-sim.out -trace ./traces/kernelslist.g -config .../gpgpusim.config -config .../trace.config。但官方建议优先使用run_simulations.py，目录结构和统计收集全都对得上，生产力差距明显。

总结

Accel-Sim 的仿真工作流可以用一句话概括：run_simulations.py负责"发任务"，job_status.py/monitor_func_test.py负责"盯任务"，get_stats.py负责"收数据"。掌握-B、-C、-T、-N四个核心参数和"基础配置 + 扩展配置"的命名规则，你就能像官方 CI 一样标准化地批量执行 GPU 仿真，并把结果一键聚合成可直接绑图的 CSV 📊