Saya menjalankan beberapa eksperimen untuk mendapatkan runtimes yang sangat konsisten untuk sepotong kode. Kode yang saya pilih saat ini adalah beban kerja terikat-CPU yang cukup arbitrer:
int cpu_workload_external_O3(){
int x = 0;
for(int ind = 0; ind < 12349560; ind++){
x = ((x ^ 0x123) + x * 3) % 123456;
}
return x;
}
Saya telah menulis modul kernel yang menonaktifkan interupsi dan kemudian menjalankan 10 percobaan fungsi di atas, menentukan waktu setiap percobaan dengan mengambil perbedaan pada penghitung siklus jam dari sebelum dan sesudah. Hal-hal lain yang perlu diperhatikan:
- mesin ini adalah ARM Cortex-A72, dengan 4 soket dengan masing-masing 4 core (masing-masing dengan cache L1 sendiri)
- skala frekuensi jam tidak aktif
- Hyperhreading tidak didukung
- mesin tidak menjalankan apa-apa kecuali untuk beberapa proses sistem tulang kosong
Dengan kata lain, saya percaya sebagian besar / semua sumber variabilitas sistem diperhitungkan, dan, terutama ketika dijalankan sebagai modul kernel dengan interupsi dinonaktifkan melalui spin_lock_irqsave()
, kode harus mencapai kinerja yang identik hampir sama dijalankan-untuk-menjalankan (mungkin kinerja kecil yang sukses) pada jalankan pertama ketika beberapa instruksi pertama kali ditarik ke dalam cache, tapi hanya itu).
Memang, ketika kode benchmark dikompilasi dengan -O3
, saya melihat kisaran paling banyak 200 siklus dari ~ 135.845.192 rata-rata, dengan sebagian besar uji coba mengambil jumlah waktu yang persis sama. Namun , ketika dikompilasi dengan -O0
, kisaran melonjak hingga sebanyak 158.386 siklus dari ~ 262.710.916. Dengan rentang yang saya maksud adalah perbedaan antara waktu lari terpanjang dan terpendek. Selain itu, untuk -O0
kode, tidak ada banyak konsistensi yang mana dari cobaan yang paling lambat / tercepat - berlawanan dengan intuisi, dalam satu kesempatan yang tercepat adalah yang pertama, dan yang paling lambat adalah yang tepat setelah itu!
Jadi : apa yang mungkin menyebabkan ini terikat tinggi pada variabilitas dalam -O0
kode? Melihat majelis, tampaknya -O3
kode menyimpan semuanya (?) Dalam register, sedangkan -O0
kode memiliki banyak referensi sp
dan sepertinya mengakses memori. Tapi meskipun begitu, saya berharap semuanya masuk ke cache L1 dan duduk di sana dengan waktu akses yang cukup deterministik.
Kode
Kode yang dijadikan patokan ada di cuplikan di atas. Perakitan di bawah. Keduanya dikompilasi gcc 7.4.0
tanpa bendera kecuali untuk -O0
dan -O3
.
-O0
0000000000000000 <cpu_workload_external_O0>:
0: d10043ff sub sp, sp, #0x10
4: b9000bff str wzr, [sp, #8]
8: b9000fff str wzr, [sp, #12]
c: 14000018 b 6c <cpu_workload_external_O0+0x6c>
10: b9400be1 ldr w1, [sp, #8]
14: 52802460 mov w0, #0x123 // #291
18: 4a000022 eor w2, w1, w0
1c: b9400be1 ldr w1, [sp, #8]
20: 2a0103e0 mov w0, w1
24: 531f7800 lsl w0, w0, #1
28: 0b010000 add w0, w0, w1
2c: 0b000040 add w0, w2, w0
30: 528aea61 mov w1, #0x5753 // #22355
34: 72a10fc1 movk w1, #0x87e, lsl #16
38: 9b217c01 smull x1, w0, w1
3c: d360fc21 lsr x1, x1, #32
40: 130c7c22 asr w2, w1, #12
44: 131f7c01 asr w1, w0, #31
48: 4b010042 sub w2, w2, w1
4c: 529c4801 mov w1, #0xe240 // #57920
50: 72a00021 movk w1, #0x1, lsl #16
54: 1b017c41 mul w1, w2, w1
58: 4b010000 sub w0, w0, w1
5c: b9000be0 str w0, [sp, #8]
60: b9400fe0 ldr w0, [sp, #12]
64: 11000400 add w0, w0, #0x1
68: b9000fe0 str w0, [sp, #12]
6c: b9400fe1 ldr w1, [sp, #12]
70: 528e0ee0 mov w0, #0x7077 // #28791
74: 72a01780 movk w0, #0xbc, lsl #16
78: 6b00003f cmp w1, w0
7c: 54fffcad b.le 10 <cpu_workload_external_O0+0x10>
80: b9400be0 ldr w0, [sp, #8]
84: 910043ff add sp, sp, #0x10
88: d65f03c0 ret
-O3
0000000000000000 <cpu_workload_external_O3>:
0: 528e0f02 mov w2, #0x7078 // #28792
4: 5292baa4 mov w4, #0x95d5 // #38357
8: 529c4803 mov w3, #0xe240 // #57920
c: 72a01782 movk w2, #0xbc, lsl #16
10: 52800000 mov w0, #0x0 // #0
14: 52802465 mov w5, #0x123 // #291
18: 72a043e4 movk w4, #0x21f, lsl #16
1c: 72a00023 movk w3, #0x1, lsl #16
20: 4a050001 eor w1, w0, w5
24: 0b000400 add w0, w0, w0, lsl #1
28: 0b000021 add w1, w1, w0
2c: 71000442 subs w2, w2, #0x1
30: 53067c20 lsr w0, w1, #6
34: 9ba47c00 umull x0, w0, w4
38: d364fc00 lsr x0, x0, #36
3c: 1b038400 msub w0, w0, w3, w1
40: 54ffff01 b.ne 20 <cpu_workload_external_O3+0x20> // b.any
44: d65f03c0 ret
modul kernel
Kode yang menjalankan uji coba di bawah ini. Bunyinya PMCCNTR_EL0
sebelum / setelah setiap iterasi, menyimpan perbedaan dalam sebuah array, dan mencetak waktu min / max pada akhirnya di semua percobaan. Fungsi cpu_workload_external_O0
dan cpu_workload_external_O3
berada di file objek eksternal yang dikompilasi secara terpisah, dan kemudian ditautkan.
#include <linux/init.h>
#include <linux/module.h>
#include <linux/kernel.h>
#include "cpu.h"
static DEFINE_SPINLOCK(lock);
void runBenchmark(int (*benchmarkFunc)(void)){
// Enable perf counters.
u32 pmcr;
asm volatile("mrs %0, pmcr_el0" : "=r" (pmcr));
asm volatile("msr pmcr_el0, %0" : : "r" (pmcr|(1)));
// Run trials, storing the time of each in `clockDiffs`.
u32 result = 0;
#define numtrials 10
u32 clockDiffs[numtrials] = {0};
u32 clockStart, clockEnd;
for(int trial = 0; trial < numtrials; trial++){
asm volatile("isb; mrs %0, PMCCNTR_EL0" : "=r" (clockStart));
result += benchmarkFunc();
asm volatile("isb; mrs %0, PMCCNTR_EL0" : "=r" (clockEnd));
// Reset PMCCNTR_EL0.
asm volatile("mrs %0, pmcr_el0" : "=r" (pmcr));
asm volatile("msr pmcr_el0, %0" : : "r" (pmcr|(((uint32_t)1) << 2)));
clockDiffs[trial] = clockEnd - clockStart;
}
// Compute the min and max times across all trials.
u32 minTime = clockDiffs[0];
u32 maxTime = clockDiffs[0];
for(int ind = 1; ind < numtrials; ind++){
u32 time = clockDiffs[ind];
if(time < minTime){
minTime = time;
} else if(time > maxTime){
maxTime = time;
}
}
// Print the result so the benchmark function doesn't get optimized out.
printk("result: %d\n", result);
printk("diff: max %d - min %d = %d cycles\n", maxTime, minTime, maxTime - minTime);
}
int init_module(void) {
printk("enter\n");
unsigned long flags;
spin_lock_irqsave(&lock, flags);
printk("-O0\n");
runBenchmark(cpu_workload_external_O0);
printk("-O3\n");
runBenchmark(cpu_workload_external_O3);
spin_unlock_irqrestore(&lock, flags);
return 0;
}
void cleanup_module(void) {
printk("exit\n");
}
Perangkat keras
$ lscpu
Architecture: aarch64
Byte Order: Little Endian
CPU(s): 16
On-line CPU(s) list: 0-15
Thread(s) per core: 1
Core(s) per socket: 4
Socket(s): 4
NUMA node(s): 1
Vendor ID: ARM
Model: 3
Model name: Cortex-A72
Stepping: r0p3
BogoMIPS: 166.66
L1d cache: 32K
L1i cache: 48K
L2 cache: 2048K
NUMA node0 CPU(s): 0-15
Flags: fp asimd evtstrm aes pmull sha1 sha2 crc32 cpuid
$ lscpu --extended
CPU NODE SOCKET CORE L1d:L1i:L2 ONLINE
0 0 0 0 0:0:0 yes
1 0 0 1 1:1:0 yes
2 0 0 2 2:2:0 yes
3 0 0 3 3:3:0 yes
4 0 1 4 4:4:1 yes
5 0 1 5 5:5:1 yes
6 0 1 6 6:6:1 yes
7 0 1 7 7:7:1 yes
8 0 2 8 8:8:2 yes
9 0 2 9 9:9:2 yes
10 0 2 10 10:10:2 yes
11 0 2 11 11:11:2 yes
12 0 3 12 12:12:3 yes
13 0 3 13 13:13:3 yes
14 0 3 14 14:14:3 yes
15 0 3 15 15:15:3 yes
$ numactl --hardware
available: 1 nodes (0)
node 0 cpus: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
node 0 size: 32159 MB
node 0 free: 30661 MB
node distances:
node 0
0: 10
Pengukuran Sampel
Di bawah ini adalah beberapa output dari satu eksekusi modul kernel:
[902574.112692] kernel-module: running on cpu 15
[902576.403537] kernel-module: trial 00: 309983568 74097394 98796602 <-- max
[902576.403539] kernel-module: trial 01: 309983562 74097397 98796597
[902576.403540] kernel-module: trial 02: 309983562 74097397 98796597
[902576.403541] kernel-module: trial 03: 309983562 74097397 98796597
[902576.403543] kernel-module: trial 04: 309983562 74097397 98796597
[902576.403544] kernel-module: trial 05: 309983562 74097397 98796597
[902576.403545] kernel-module: trial 06: 309983562 74097397 98796597
[902576.403547] kernel-module: trial 07: 309983562 74097397 98796597
[902576.403548] kernel-module: trial 08: 309983562 74097397 98796597
[902576.403550] kernel-module: trial 09: 309983562 74097397 98796597
[902576.403551] kernel-module: trial 10: 309983562 74097397 98796597
[902576.403552] kernel-module: trial 11: 309983562 74097397 98796597
[902576.403554] kernel-module: trial 12: 309983562 74097397 98796597
[902576.403555] kernel-module: trial 13: 309849076 74097403 98796630 <-- min
[902576.403557] kernel-module: trial 14: 309983562 74097397 98796597
[902576.403558] kernel-module: min time: 309849076
[902576.403559] kernel-module: max time: 309983568
[902576.403560] kernel-module: diff: 134492
Untuk setiap percobaan, nilai yang dilaporkan adalah: # siklus (0x11), # akses L1D (0x04), # akses L1I (0x14). Saya menggunakan bagian 11.8 dari referensi PMU ARM ini ).
lscpu --extended
dengan benar, maka setiap core memiliki data L1 dan cache instruksi masing-masing, dan kemudian setiap socket memiliki cache L2 bersama untuk 4 core-nya, jadi selama semuanya dilakukan dalam cache L1 saya akan mengharapkan kode untuk cukup banyak "memiliki" bisnya (karena itu satu-satunya yang berjalan pada intinya, sampai selesai). Saya tidak tahu banyak tentang perangkat keras pada level ini.on_each_cpu()
, masing-masing melaporkan hampir tidak ada variabilitas di 100 percobaan.Jawaban:
Di kernel Linux baru-baru ini, mekanisme migrasi halaman NUMA otomatis secara berkala menembak jatuh entri TLB sehingga dapat memonitor lokalitas NUMA. Reload TLB akan memperlambat kode O0, bahkan jika data tetap di L1DCache.
Mekanisme migrasi halaman tidak boleh diaktifkan pada halaman kernel.
Anda memeriksa untuk melihat apakah migrasi halaman NUMA otomatis diaktifkan
dan Anda dapat menonaktifkannya dengan
sumber
numa_balancing
dinonaktifkan. Mungkin Anda punya ide?Varians Anda berada di urutan 6 * 10 ^ -4. Walaupun mengejutkan lebih dari 1,3 * 10 ^ -6, begitu program Anda berbicara dengan cache, ia terlibat dalam banyak operasi yang disinkronkan. Disinkronkan selalu berarti waktu yang terbuang.
Suatu hal yang menarik adalah bagaimana perbandingan -O0, -O3 Anda meniru aturan umum bahwa L1-cache-hit adalah sekitar 2x referensi register. O3 rata-rata Anda berjalan di 51,70% dari waktu O0 Anda. Ketika Anda menerapkan varian lebih rendah / atas, kami memiliki (O3-200) / (O0 + 158386), kami melihat peningkatan menjadi 51,67%.
Singkatnya, ya, cache tidak akan pernah bersifat deterministik; dan varian rendah yang Anda lihat sesuai dengan apa yang diharapkan dari sinkronisasi dengan perangkat yang lebih lambat. Ini hanya varian besar jika dibandingkan dengan mesin register-only yang lebih deterministik.
sumber
numa_balancing
TLB sendiri mungkin menjelaskannya.