Trochę eksperymentowałem z wykonywaniem z pamięci RAM i pamięci flash w systemach wbudowanych. Do szybkiego prototypowania i testowania używam obecnie Arduino Due (SAM3X8E ARM Cortex-M3). Z tego, co widzę, środowisko uruchomieniowe Arduino i bootloader nie powinny mieć tutaj znaczenia.
Oto problem: Mam funkcję ( calc ), która jest napisana w ARM Thumb Assembly. calc oblicza liczbę i zwraca ją. (Środowisko wykonawcze> 1 s dla podanego wejścia) Teraz ręcznie wyodrębniłem zmontowany kod maszynowy tej funkcji i umieściłem go jako nieprzetworzone bajty w innej funkcji. Potwierdzono, że obie funkcje znajdują się w pamięci flash (adres 0x80149 i 0x8017D, tuż obok siebie). Zostało to potwierdzone zarówno poprzez demontaż, jak i kontrolę czasu wykonywania.
void setup() {
Serial.begin(115200);
timeFnc(calc);
timeFnc(calc2);
}
void timeFnc(int (*functionPtr)(void)) {
unsigned long time1 = micros();
int res = (*functionPtr)();
unsigned long time2 = micros();
Serial.print("Address: ");
Serial.print((unsigned int)functionPtr);
Serial.print(" Res: ");
Serial.print(res);
Serial.print(": ");
Serial.print(time2-time1);
Serial.println("us");
}
int calc() {
asm volatile(
"movs r1, #33 \n\t"
"push {r1,r4,r5,lr} \n\t"
"bl .in \n\t"
"pop {r1,r4,r5,lr} \n\t"
"bx lr \n\t"
".in: \n\t"
"movs r5,#1 \n\t"
"subs r1, r1, #1 \n\t"
"cmp r1, #2 \n\t"
"blo .lblb \n\t"
"movs r5,#1 \n\t"
".lbla: \n\t"
"push {r1, r5, lr} \n\t"
"bl .in \n\t"
"pop {r1, r5, lr} \n\t"
"adds r5,r0 \n\t"
"subs r1,#2 \n\t"
"cmp r1,#1 \n\t"
"bhi .lbla \n\t"
".lblb: \n\t"
"movs r0,r5 \n\t"
"bx lr \n\t"
::
); //redundant auto generated bx lr, aware of that
}
int calc2() {
asm volatile(
".word 0xB5322121 \n\t"
".word 0xF803F000 \n\t"
".word 0x4032E8BD \n\t"
".word 0x25014770 \n\t"
".word 0x29023901 \n\t"
".word 0x800BF0C0 \n\t"
".word 0xB5222501 \n\t"
".word 0xFFF7F7FF \n\t"
".word 0x4022E8BD \n\t"
".word 0x3902182D \n\t"
".word 0xF63F2901 \n\t"
".word 0x0028AFF6 \n\t"
".word 0x47704770 \n\t"
);
}
void loop() {
}
Wyjście powyższego programu w celu Arduino Due to:
Address: 524617 Res: 3524578: 1338254us
Address: 524669 Res: 3524578: 2058819us
Potwierdzamy więc, że wyniki są równe, a adres podczas działania jest zgodny z oczekiwaniami. Wykonanie ręcznie wprowadzonej funkcji kodu maszynowego jest o 50% wolniejsze.
Demontaż za pomocą arm-none-eabi-objdump dodatkowo potwierdza odpowiednie adresy, rezydencję pamięci flash i równość kodu maszynowego (zwróć uwagę na endianowość i grupowanie bajtów!):
00080148 <_Z4calcv>:
80148: 2121 movs r1, #33 ; 0x21
8014a: b532 push {r1, r4, r5, lr}
8014c: f000 f803 bl 80156 <.in>
80150: e8bd 4032 ldmia.w sp!, {r1, r4, r5, lr}
80154: 4770 bx lr
00080156 <.in>:
80156: 2501 movs r5, #1
80158: 3901 subs r1, #1
8015a: 2902 cmp r1, #2
8015c: f0c0 800b bcc.w 80176 <.lblb>
80160: 2501 movs r5, #1
00080162 <.lbla>:
80162: b522 push {r1, r5, lr}
80164: f7ff fff7 bl 80156 <.in>
80168: e8bd 4022 ldmia.w sp!, {r1, r5, lr}
8016c: 182d adds r5, r5, r0
8016e: 3902 subs r1, #2
80170: 2901 cmp r1, #1
80172: f63f aff6 bhi.w 80162 <.lbla>
00080176 <.lblb>:
80176: 0028 movs r0, r5
80178: 4770 bx lr
}
8017a: 4770 bx lr
0008017c <_Z5calc2v>:
8017c: b5322121 .word 0xb5322121
80180: f803f000 .word 0xf803f000
80184: 4032e8bd .word 0x4032e8bd
80188: 25014770 .word 0x25014770
8018c: 29023901 .word 0x29023901
80190: 800bf0c0 .word 0x800bf0c0
80194: b5222501 .word 0xb5222501
80198: fff7f7ff .word 0xfff7f7ff
8019c: 4022e8bd .word 0x4022e8bd
801a0: 3902182d .word 0x3902182d
801a4: f63f2901 .word 0xf63f2901
801a8: 0028aff6 .word 0x0028aff6
801ac: 47704770 .word 0x47704770
}
801b0: 4770 bx lr
...
Możemy dodatkowo potwierdzić analogicznie przyjętą konwencję połączeń:
00080234 <setup>:
void setup() {
80234: b508 push {r3, lr}
Serial.begin(115200);
80236: 4806 ldr r0, [pc, #24] ; (80250 <setup+0x1c>)
80238: f44f 31e1 mov.w r1, #115200 ; 0x1c200
8023c: f000 fcb4 bl 80ba8 <_ZN9UARTClass5beginEm>
timeFnc(calc);
80240: 4804 ldr r0, [pc, #16] ; (80254 <setup+0x20>)
80242: f7ff ffb7 bl 801b4 <_Z7timeFncPFivE>
}
80246: e8bd 4008 ldmia.w sp!, {r3, lr}
timeFnc(calc2);
8024a: 4803 ldr r0, [pc, #12] ; (80258 <setup+0x24>)
8024c: f7ff bfb2 b.w 801b4 <_Z7timeFncPFivE>
80250: 200705cc .word 0x200705cc
80254: 00080149 .word 0x00080149
80258: 0008017d .word 0x0008017d
Mogę wykluczyć to z powodu jakiegoś rodzaju spekulacyjnego pobrania (które najwyraźniej ma Cortex-M3!) Lub przerywa. (EDYCJA: NOPE, nie mogę. Prawdopodobnie jakiś rodzaj pobierania wstępnego) Zmiana kolejności wykonywania lub dodawanie wywołań funkcji pomiędzy nimi nie zmienia wyniku. Co może być tutaj winowajcą?
EDYCJA: Po zmianie wyrównania funkcji kodu maszynowego (wstaw nops jako prolog) otrzymuję następujące wyniki:
+ 16 bitów dla calc2:
Address: 524617 Res: 3524578: 1102257us
Address: 524669 Res: 3524578: 1846968us
+ 32bit dla calc2:
Address: 524617 Res: 3524578: 1102257us
Address: 524669 Res: 3524578: 1535424us
+ 48 bitów dla calc2:
Address: 524617 Res: 3524578: 1102155us
Address: 524669 Res: 3524578: 1413180us
+ 64bit dla calc2:
Address: 524617 Res: 3524578: 1102155us
Address: 524669 Res: 3524578: 1346606us
+ 80bit dla calc2:
Address: 524617 Res: 3524578: 1102145us
Address: 524669 Res: 3524578: 1180105us
EDYCJA 2: Uruchamia się tylko:
Address: 524617 Res: 3524578: 1102155us
Uruchamiane tylko calc2:
Address: 524617 Res: 3524578: 1102257us
Zmiana kolejności:
Address: 524669 Res: 3524578: 1554160us
Address: 524617 Res: 3524578: 1102211us
EDYCJA 3: Dodanie .p2align 4
przed etykietą .in
tylko dla obliczeń , osobne wykonanie:
Address: 524625 Res: 3524578: 1413185us
Zarówno jak w oryginalnym teście:
Address: 524625 Res: 3524578: 1413185us
Address: 524689 Res: 3524578: 1535424us
EDYCJA 4: Odwrócenie pozycji we flashu całkowicie zmienia wynik. -> Liniowe pobieranie wstępne?
Odpowiedzi:
Szybkość wykonywania kodu z pamięci flash zależy od liczby cykli oczekiwania i wyrównania kodu dla każdego elementu docelowego gałęzi. W tym i podobnych procesorach, takich jak STM32F103, flash potrzebuje 3 cykli oczekiwania, gdy rdzeń działa z najwyższą częstotliwością. Oznacza to, że każda brana gałąź może zająć od 2 do 5 cykli, co może wpłynąć na całkowity czas pracy.
Aby zrekompensować spowolnienie FLASH, procesory te mają szeroką szynę FLASH i bufor pobierania. SAM3X ma parę 128-bitowych buforów instrukcji, które wydają się być zapełnione wzorcem pobierania wstępnego [1].
Aby zoptymalizować ciasną pętlę, spróbuj dopasować ją do 32-bajtowego bloku kodu i wyrównać go do 16-bajtowej granicy (lub lepiej 32, na wszelki wypadek). Dobrym pomysłem może być również sprawdzenie, czy parametry FLASH są ustawione poprawnie, tzn. Włączone jest pobieranie wstępne, a szerokość magistrali jest ustawiona na 128 bitów w tym MCU. Kopiowanie kodu do pamięci RAM może być opcją, ale jest to uciążliwe i może faktycznie spowolnić, w porównaniu do prawidłowo działających buforów pobierania.
[1] http://ww1.microchip.com/downloads/en/DeviceDoc/Atmel-11057-32-bit-Cortex-M3-Microcontroller-SAM3X-SAM3A_Datasheet.pdf , strona 294, rysunki 18-2, 18-3 .
źródło