随着计算机与社会各方面的融合越来越密切,计算机被越来越多地用来解决各类科学问题。这些应用的特点在于需要对海量数据进行高效运算。为了解决海量计算的问题,并行计算被提出,这是一种通过多台处理机联合求解问题的方法,而这些被联合起来的处理器构成了超级计算机。然而,随着并行程序与超级计算机结构的日趋复杂,并行程序的实际运行性能与期望性能的差距开始显现。尽管近年来各种超算平台的计算能力迅猛发展,但并行程序的机器利用率却难以提升。这说明并行程序的性能有很大的潜力可以被挖掘。准确地测量并行程序的性能可以有效地分析程序的运行状态,有助于发现性能瓶颈,从而提升运行效率。但是,由于并行程序的复杂性、编程语言的多样性、个人编程习惯的差异性以及高性能计算平台的异构性,准确的测量程序的性能变得非常困难。此外,性能测量不仅需要统计程序的运行性能,还要对程序的运行信息进行高效存储与定位,这些步骤会增加性能测量工具对程序运行的开销,影响程序性能特征,并影响性能测量结果的准确度。因此,如何实现低开销、高准确度的性能测量是一项艰巨的挑战。本文提出了一种低开销、高准确度的性能测量工具:LPerf。它实现了在低开销的情况下,获取程序中准确的函数运行信息,并可以快速且准确定位计算热点函数与通信热点函数。本文主要贡献如下:·提出了一种预处理方法,从而减少LPerf在运行时对源程序造成的开销。此外,LPerf还实现了粒度可调的自动插桩,使用户可以平衡测量的精度与开销。·提出了一种聚合的父子调用关系,使得LPerf在运行期间可以实现高效地定位函数之间的调用关系。聚合的父子调用关系可以减少了时间开销,并且采用红黑树作为数据结构存储调用关系从而进一步加速定位。·提出了测量感知的函数运行时间计算方法,消除了 LPerf自身运行时间给测得的函数运行时间所造成的误差,从而实现对函数运行时间的精确测量。本文在一个被广泛使用的基准程序和一个大规模科学计算程序上验证了LPerf的性能。实验结果表明,LPerf在较低开销的情况下,性能测量结果达到了较高的准确度。测量结果的误差率最低降至0.02%,开销占比最低降至1.6%。相较于对比对象,LPerf的精度、准确度和开销都达到了较好的水平。