赛题题目：基于PGO的OpenHarmony动态库（.so）优化自动化检测与验证系统

赛题说明：

OpenHarmony生态应用性能优化是提升用户体验的关键环节。其中，动态库(.so文件)作为核心计算模块，其执行效率直接影响应用响应速度、电池续航和设备发热。PGO(Profile-Guided Optimization)是一种强大的编译优化技术，通过收集程序实际运行数据来指导编译器优化，可为适合的动态库带来10%-15%的性能提升。然而，在OpenHarmony生态中，PGO技术应用面临三大挑战：收益评估困难：并非所有动态库都能从PGO中获得显著收益。计算密集型、分支逻辑复杂的库（如物理引擎、渲染器）通常收益显著，而IO绑定型或线性执行路径的库收益有限。开发者难以预先判断哪些库值得投入PGO优化成本；测试用例构建复杂：有效的PGO优化依赖高质量的profile数据，需要测试用例覆盖关键执行路径。手动构建这些测试集耗时且往往不全面，导致次优的优化效果；工程成本与收益平衡：PGO引入额外的构建步骤（插桩编译→收集profile→优化编译），增加了构建时间和CI/CD复杂度。对于收益有限的库，这种额外成本可能不值得。本赛题要求参赛者开发一套自动化工具链，能够：分析OpenHarmony应用中的动态库特征，预测PGO优化潜在收益；自动识别高收益库并生成针对性测试用例，覆盖关键执行路径；量化优化效果，提供性能提升报告和工程成本评估。参赛者需在RK3568开发板上实际验证工具链效果，通过至少3个真实应用案例，证明工具能准确识别高收益库并带来≥10%的性能提升(以IPC提升、缓存命中率提高或功耗降低等指标衡量)。

赛题要求：

核心任务

开发自动化工具链实现以下功能中的一项或多项： PGO收益预测

分析动态库的二进制特征（如分支密度、循环复杂度、间接调用比例）
构建预测模型，评估库应用PGO后的潜在性能提升
对OpenHarmony应用中的动态库进行排序，识别最值得优化的目标

测试用例管理

基于提供的标准测试集，验证至少3款OpenHarmony应用中的高收益动态库
测试覆盖以下关键场景： (1)高频函数调用路径 (2)分支密集区域 (3)内存密集操作

优化策略推荐

基于性能分析数据，生成带量化收益预测的编译参数建议（如-O级别、内联阈值等）
提供优先级排序的优化建议列表
输出具体的编译命令行参数

效果验证

在RK3568开发板上实测优化效果，主要指标： (1)CPU指令数降低比例 (2)IPC (每周期指令数) 提升
参考指标（加分项）： (1)冷启动时延 (2)帧渲染稳定性

技术要求

二进制分析：提取动态库的特征（可使用任何适合的工具）动态追踪：采集性能数据，如热点函数、分支预测、缓存命中率等预测模型：训练模型预测PGO收益，输入特征可包括：二进制特征：分支密度、函数大小分布等运行时特征：热点函数占比、分支预测失败率等交付物技术报告：详细说明技术方案、算法设计、实验结果和性能提升分析可运行的技术原型：提供完整源代码和使用说明，确保评委可复现结果输出内容：优化分析报告：包含库收益预测和优先级排序验证结果：通过实际编译参数调整验证优化建议，高收益库性能提升≥10%

评分标准：

评估维度权重评分细则验证方法收益预测准确性 35% - 预测与实际收益偏差<5%得25分

偏差<3%得30分
偏差<1%得35分对比预测收益与实际测量收益优化效果 30% - 高收益库实际CPU指令数降低≥5%：20分
每降低1%加2分（上限30分）
误优化率>5%扣15分对比优化前后perf report数据工程化水平 10% - 实现自动化工作流得5分
提供可视化分析界面得5分审查工具链的易用性与分析能力创新加分项（20分上限）多维度优化：除PGO外，探索其他编译优化维度（如指令集优化、LTO等）（+10分）；无源码分析能力：针对仅有二进制文件的动态库实现有效分析（+10分）。

赛题联系人：

范刚 fan.gang@huawei.com

参考资料：

OpenHarmony性能分析工具：https://developer.huawei.com/consumer/cn/agconnect/huawei-smartperf/
论文《ArkAnalyzer: The Static Analysis Framework for OpenHarmony》 项目地址: https://gitee.com/openharmony-sig/arkanalyzer
论文《Identifying Compiler and Optimization Level in Binary Code From Multiple Architectures》
OpenHarmony LLVM-PGO工具链文档: https://gitee.com/openharmony/third_party_llvm-project
鸿蒙OS部分开源应用项目地址：https://gitee.com/explore/harmonyos-app?order=recommend

参赛资源支持：

OpenHarmony社区：基于Windows PC，不提供额外硬件

赛题交流讨论链接：

https://www.chaspark.com/#/races/competitions/1136109649061687296

AutoGain-PGO

开发环境搭建

perf 安装下载

请使用系统包管理器或从源码编译方式安装 perf 工具。以 Ubuntu 为例：

sudo apt update
sudo apt install linux-tools-common linux-tools-$(uname -r)

llvm-bolt 安装

推荐使用源码编译安装：

git clone https://github.com/llvm/llvm-project.git
cd llvm-project
mkdir build && cd build
cmake -DLLVM_ENABLE_PROJECTS="bolt" -DCMAKE_BUILD_TYPE=Release -DLLVM_TARGETS_TO_BUILD="X86" ../llvm
make -j$(nproc)
sudo make install

RocksDB PGO 优化测试

RocksDB 下载编译

git clone https://github.com/facebook/rocksdb.git
cd rocksdb
mkdir build && cd build
git checkout v9.0.0
cmake .. -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=$HOME/Desktop/LibPGO/install/rocksdb \
  -DCMAKE_INSTALL_RPATH="$HOME/Desktop/LibPGO/install/rocksdb/lib" \
  -DCMAKE_C_FLAGS="-fPIC -Wl,--emit-relocs " \
  -DCMAKE_CXX_FLAGS="-fPIC -Wl,--emit-relocs " \
  -DBUILD_SHARED_LIBS=ON 
make -j$(nproc)
make install

PGO 收益预测

使用以下命令运行收集性能数据以预测 PGO 的潜在收益：

cd AutoGain-PGO
./run.sh <动态库路径> <测试目录路径> <运行命令> [运行参数...]

实际路径请换成你的完整路径，例如：

./run.sh /home/ning/Desktop/LibPGO/install/rocksdb/lib/librocksdb.so.9.0.0 \
         /home/ning/Desktop/LibPGO/Test/rocksdb/fillseq \
         /home/ning/Desktop/LibPGO/App/rocksdb/build/db_bench --benchmarks=fillseq --compression_type=none

结果如下：

事件名称	计数	平均周期	总周期	估算时间（s）
iTLB-loads	644,529	10	6,445,290	0.003069
iTLB-load-misses	213,368	250	53,342,000	0.025401
L2-load-misses	388	45	17,460	0.000008
L1-icache-load-misses	16,147,962	25	403,699,050	0.192238
branch-misses:u	16,453	20	329,060	0.000157
合计	—	—	463,832,860	0.220873

PGO 收益验证

使用以下命令比较 BOLT 优化前后的效果：

cd AutoGain-PGO
./run.sh <原始动态库路径> <优化后动态库路径> <测试目录路径> <运行命令> [运行参数...]

./compare.sh /home/ning/Desktop/LibPGO/install/rocksdb/lib/librocksdb.so.9.0.0 \
            /home/ning/Desktop/LibPGO/Test/rocksdb/fillseq/librocksdb_bolt.so \
         /home/ning/Desktop/LibPGO/Test/rocksdb/fillseq \
         /home/ning/Desktop/LibPGO/App/rocksdb/build/db_bench --benchmarks=fillseq --compression_type=none

上述命令会在测试目录下生成两个结果文件：

✅ 测试完成：
原始库结果: /home/ning/Desktop/LibPGO/Test/rocksdb/fillseq/origin_result.txt
优化库结果: /home/ning/Desktop/LibPGO/Test/rocksdb/fillseq/preload_result.txt

提取结果

python scripts/extract_compare_result.py <测试结果路径>

===== 指定事件的平均值统计(Original) =====
instructions : 14,117,526,962.67
cycles : 8,188,889,245.33
LLC-load-misses : 76,615.67
LLC-loads : 234,411.67
branch-misses:u : 8,212,429.33
branches:u : 2,010,563,318.67
L1-icache-load-misses : 792,139,919.67
L2-load-misses : 79,099.67
L2-loads : 259,786.67
iTLB-loads : 9,743,881.33
iTLB-load-misses : 7,903,544.67

===== 时间统计平均值（秒） =====
time_elapsed : 2.555353
time_user : 1.983089
time_sys : 0.933780

===== 指定事件的平均值统计(PGO) =====
instructions : 14,055,159,690.33
cycles : 7,260,055,596.33
LLC-load-misses : 74,079.33
LLC-loads : 247,470.67
branch-misses:u : 8,793,854.33
branches:u : 1,937,486,723.00

L2-load-misses : 72,756.67
L2-loads : 253,600.67
iTLB-loads : 223,644.67
iTLB-load-misses : 7,555,142.00

===== 时间统计平均值（秒） =====
time_elapsed : 2.270953
time_user : 1.674406
time_sys : 0.923900

其他 perf 使用命令

性能采样记录

perf record -e iTLB-loads:u,iTLB-load-misses:u,L1-dcache-loads:u,L1-dcache-load-misses:u,\
L1-icache-load-misses:u,L2-loads:u,L2-load-misses:u,LLC-loads:u,LLC-load-misses:u,\
branches:u,branch-misses:u,cache-references:u,cache-misses:u,instructions,cycles \
-j any,u -g -o perf.data [command] [argvs]

TopDown 分析指标收集

perf stat -e topdown-total-slots,topdown-slots-issued,topdown-slots-retired,\
topdown-fetch-bubbles,topdown-recovery-bubbles,l2_rqsts.code_rd_miss,\
L2-load-misses:u,cycles,branch-misses,baclears.any \
[command] [argvs]

TopDown 结构分析方法

perf stat --topdown [command] [argvs]

以上命令用于微架构级瓶颈定位，分析指令吞吐、分支预测、缓存失效等问题。

其它第三方库测试

请参阅测试命令说明