Este estudio tiene como objetivo recopilar programas de renderizado de GPU y analizar sus características para construir un conjunto de datos de referencia que refleje las características de los programas de renderizado de GPU, proporcionando una base de referencia para el diseño de la próxima generación de procesadores gráficos. El marco de investigación incluye cuatro partes: integración de programas de renderizado de GPU, recopilación de datos, análisis de programas y análisis de similitud. En la fase de integración de programas y recopilación de datos, se recopilaron 1000 programas de renderizado de GPU de repositorios de código abierto y se seleccionaron 100 programas representativos como conjunto de datos de referencia inicial. La fase de análisis de programas implica análisis a nivel de instrucción, nivel de hilo y nivel de memoria, así como cinco algoritmos de aprendizaje automático para la clasificación de importancia. Finalmente, a través del análisis de similitud de Pearson, se eliminaron los programas de renderizado con alta similitud y se seleccionó el conjunto de datos de referencia final de programas de renderizado de GPU en función de la exhaustividad y representatividad del conjunto de datos de referencia. Los resultados experimentales de este estudio muestran que, debido a la necesidad de cargar y procesar datos de textura y geometría en programas de renderizado, la eficiencia promedio de acceso a memoria global es generalmente menor en comparación con los promedios de los conjuntos de referencia Rodinia y Parboil. La tasa de ocupación de la GPU está relacionada con las tareas computacionalmente intensivas de los programas de renderizado. La eficiencia de la ejecución del procesador de flujo y la ejecución de paquetes de hilos se ve influenciada por las instrucciones de rama y las decisiones condicionales. Operaciones comunes como cálculos de iluminación y muestreo de texturas en programas de renderizado requieren decisiones de rama, lo que reduce la eficiencia de ejecución. La utilización del ancho de banda se mejora porque los programas de renderizado reducen el acceso frecuente a memoria y la transferencia de datos a la memoria principal a través de la caché y la reutilización de datos. Además, este estudio utilizó múltiples métodos de aprendizaje automático para clasificar la importancia de 160 características de 100 programas de renderizado en cuatro GPU NVIDIA diferentes. Diferentes métodos demuestran robustez y estabilidad al enfrentar diferentes distribuciones de datos y relaciones de características. Al comparar los resultados de múltiples métodos, se pueden reducir los sesgos inherentes a los métodos individuales, mejorando así la fiabilidad de los resultados. La contribución de este estudio radica en el análisis de las características de carga de trabajo de los programas de renderizado, lo que permite la optimización del rendimiento dirigida para mejorar la eficiencia y calidad de los programas de renderizado. Al recopilar de manera exhaustiva datos de programas de renderizado de GPU y realizar análisis de características y clasificación de importancia utilizando métodos de aprendizaje automático, se proporcionan pautas de referencia confiables para el diseño de GPU. Esto es de gran importancia para impulsar el desarrollo de la tecnología de renderizado.