The performance monitoring unit (PMU) in multiprocessor system-on-chips (MPSoCs) is at the heart of the latest measurement-based timing analysis techniques in critical embedded systems. In particular, hardware event monitors (HEMs) in the PMU are used as building blocks in the process of budgeting and verifying software timing by tracking and controlling access counts to shared resources. While the number of HEMs in current MPSoCs reaches hundreds, they are read via performance monitoring counters whose number is usually limited to 4–8, thus requiring multiple runs of each experiment in order to collect all desired HEMs. Despite the effort of engineers in controlling the execution conditions of each experiment, the complexity of current MPSoCs makes it arguably impossible to completely remove the noise affecting each run. As a result, HEMs read in different runs are subject to different variability, and hence, those HEMs captured in different runs cannot be “blindly” merged. In this work, we focus on the NXP T2080 platform where we observed up to 59% variability across different runs of the same experiment for some relevant HEMs (e.g., processor cycles). We develop a HEM reading and merging (HRM) approach to join reliably HEMs across different runs as a fundamental element of any measurement-based timing budgeting and verification technique. Our method builds on order statistics and the selection of an anchor HEM read in all runs to derive the most plausible combination of HEM readings that keep the distribution of each HEM and their relationship with the anchor HEM intact.

中文翻译：

---

HRM：合并硬件事件监视器以改进复杂 MPSoC 的时序分析

多处理器片上系统 (MPSoC) 中的性能监控单元 (PMU) 是关键嵌入式系统中最新的基于测量的时序分析技术的核心。特别是，PMU 中的硬件事件监视器 (HEM) 在预算和验证软件时序的过程中用作构建块，通过跟踪和控制对共享资源的访问计数。虽然当前 MPSoC 中的 HEM 数量达到数百个，但它们是通过性能监控计数器读取的，其数量通常限制为 4-8，因此需要多次运行每个实验才能收集所有所需的 HEM。尽管工程师努力控制每个实验的执行条件，但当前 MPSoC 的复杂性使得完全消除影响每次运行的噪声可以说是不可能的。因此，在不同运行中读取的 HEM 具有不同的可变性，因此，在不同运行中捕获的那些 HEM 不能“盲目”合并。在这项工作中，我们专注于 NXP T2080 平台，在该平台上，对于某些相关的 HEM（例如，处理器周期），我们在同一实验的不同运行中观察到高达 59% 的可变性。我们开发了一种 HEM 读取和合并 (HRM) 方法，以在不同的运行中可靠地连接 HEM，作为任何基于测量的时序预算和验证技术的基本要素。我们的方法建立在订单统计数据和所有运行中锚定 HEM 读数的选择上，以得出最合理的 HEM 读数组合，以保持每个 HEM 的分布及其与锚定 HEM 的关系完好无损。在不同运行中捕获的那些 HEM 不能“盲目”合并。在这项工作中，我们专注于 NXP T2080 平台，在该平台上，对于某些相关的 HEM（例如，处理器周期），我们在同一实验的不同运行中观察到高达 59% 的可变性。我们开发了一种 HEM 读取和合并 (HRM) 方法，以在不同的运行中可靠地连接 HEM，作为任何基于测量的时序预算和验证技术的基本要素。我们的方法建立在订单统计数据和所有运行中锚定 HEM 读数的选择上，以得出最合理的 HEM 读数组合，以保持每个 HEM 的分布及其与锚定 HEM 的关系完好无损。在不同运行中捕获的那些 HEM 不能“盲目”合并。在这项工作中，我们专注于 NXP T2080 平台，在该平台上，对于某些相关的 HEM（例如，处理器周期），我们在同一实验的不同运行中观察到高达 59% 的可变性。我们开发了一种 HEM 读取和合并 (HRM) 方法，以在不同的运行中可靠地连接 HEM，作为任何基于测量的时序预算和验证技术的基本要素。我们的方法建立在订单统计数据和所有运行中锚定 HEM 读数的选择上，以得出最合理的 HEM 读数组合，以保持每个 HEM 的分布及其与锚定 HEM 的关系完好无损。我们专注于 NXP T2080 平台，在该平台上，对于某些相关 HEM（例如，处理器周期），我们在同一实验的不同运行中观察到高达 59% 的可变性。我们开发了一种 HEM 读取和合并 (HRM) 方法，以在不同的运行中可靠地连接 HEM，作为任何基于测量的时序预算和验证技术的基本要素。我们的方法建立在订单统计数据和所有运行中锚定 HEM 读数的选择上，以得出最合理的 HEM 读数组合，以保持每个 HEM 的分布及其与锚定 HEM 的关系完好无损。我们专注于 NXP T2080 平台，在该平台上，对于某些相关的 HEM（例如，处理器周期），我们在同一实验的不同运行中观察到高达 59% 的可变性。我们开发了一种 HEM 读取和合并 (HRM) 方法，以在不同的运行中可靠地连接 HEM，作为任何基于测量的时序预算和验证技术的基本要素。我们的方法建立在订单统计数据和所有运行中锚定 HEM 读数的选择上，以得出最合理的 HEM 读数组合，以保持每个 HEM 的分布及其与锚定 HEM 的关系完好无损。