Przeprowadzam eksperymenty, aby uzyskać bardzo spójne środowiska wykonawcze dla fragmentu kodu. Kod, który aktualnie sprawdzam, jest dość arbitralnym obciążeniem procesora:
int cpu_workload_external_O3(){
int x = 0;
for(int ind = 0; ind < 12349560; ind++){
x = ((x ^ 0x123) + x * 3) % 123456;
}
return x;
}
Napisałem moduł jądra, który wyłącza przerwania, a następnie uruchamia 10 prób powyższej funkcji, mierząc każdą próbę, biorąc różnicę w liczniku cykli zegara przed i po. Inne rzeczy do zapamiętania:
- maszyna jest ARM Cortex-A72, z 4 gniazdami z 4 rdzeniami każdy (każdy z własną pamięcią podręczną L1)
- skalowanie częstotliwości zegara jest wyłączone
- hyperthreading nie jest obsługiwany
- maszyna praktycznie nie działa, z wyjątkiem niektórych procesów systemowych
Innymi słowy, uważam, że większość / wszystkie źródła zmienności systemu są uwzględnione, a zwłaszcza, gdy jest uruchomiony jako moduł jądra z wyłączonymi przerwaniami przez spin_lock_irqsave()
, kod powinien osiągnąć prawie identyczną wydajność w trybie run-to-run (być może niewielki spadek wydajności przy pierwszym uruchomieniu, gdy jakaś instrukcja zostanie najpierw wciągnięta do pamięci podręcznej, ale to wszystko).
Rzeczywiście, po skompilowaniu kodu testowego -O3
zobaczyłem zakres co najwyżej 200 cykli z około 135 845 192, przy czym większość prób zajęła dokładnie tyle samo czasu. Jednak po skompilowaniu -O0
zakres strzelił aż do 158 386 cykli z ~ 262,710,916. Przez zakres rozumiem różnicę między najdłuższym i najkrótszym czasem pracy. Co więcej, w -O0
kodzie nie ma dużej spójności, która z prób jest najwolniejsza / najszybsza - wbrew intuicji, w jednym przypadku najszybsza była pierwsza, a najwolniejsza następna!
Więc : co może powodować tę górną granicę zmienności w -O0
kodzie? Patrząc na zestaw, wydaje się, że -O3
kod przechowuje wszystko (?) W rejestrze, podczas gdy -O0
kod zawiera wiele odniesień do, sp
a zatem wydaje się, że uzyskuje dostęp do pamięci. Ale nawet wtedy spodziewałbym się, że wszystko znajdzie się w pamięci podręcznej L1 i będzie tam siedział z dość deterministycznym czasem dostępu.
Kod
Testowany kod znajduje się we fragmencie powyżej. Zespół jest poniżej. Oba zostały skompilowane gcc 7.4.0
bez flag, z wyjątkiem -O0
i -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
moduł jądra
Kod prowadzący próby znajduje się poniżej. Odczytuje PMCCNTR_EL0
przed / po każdej iteracji, przechowuje różnice w tablicy i drukuje czasy min / maks na końcu we wszystkich próbach. Funkcje cpu_workload_external_O0
i cpu_workload_external_O3
są w zewnętrznych plikach obiektowych, które są skompilowane oddzielnie, a następnie łączone w.
#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");
}
Sprzęt komputerowy
$ 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
Przykładowe pomiary
Poniżej przedstawiono dane wyjściowe z jednego wykonania modułu jądra:
[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
Dla każdej próby zgłaszane wartości to: liczba cykli (0x11), liczba dostępów L1D (0x04), liczba dostępów L1I (0x14). Korzystam z sekcji 11.8 tej dokumentacji ARM PMU ).
lscpu --extended
, to każdy rdzeń ma swoją własną pamięć podręczną danych i instrukcji L1, a następnie każde gniazdo ma współużytkowaną pamięć podręczną L2 dla swoich 4 rdzeni, więc dopóki wszystko zostanie wykonane w pamięci podręcznej L1, oczekiwałbym, że kod będzie ładny wiele „posiada” swoją magistralę (ponieważ jest to jedyna rzecz działająca na jej rdzeniu, aż do ukończenia). Jednak niewiele wiem o sprzęcie na tym poziomie.on_each_cpu()
, każdy z nich zgłasza prawie brak zmienności w 100 próbach.Odpowiedzi:
W najnowszych jądrach Linuksa mechanizm automatycznej migracji stron NUMA okresowo wyrzuca wpisy TLB, aby mógł monitorować lokalizację NUMA. Przeładowania TLB spowolnią kod O0, nawet jeśli dane pozostaną w L1DCache.
Mechanizm migracji stron nie powinien być aktywowany na stronach jądra.
Sprawdzasz, czy automatyczna migracja stron NUMA jest włączona za pomocą
i możesz to wyłączyć za pomocą
źródło
numa_balancing
wyłączone. Może masz pomysł?Twoja wariancja jest rzędu 6 * 10 ^ -4. Choć szokująco więcej niż 1,3 * 10 ^ -6, gdy twój program mówi do pamięci podręcznej, bierze udział w wielu zsynchronizowanych operacjach. Zsynchronizowany zawsze oznacza zmarnowany czas.
Interesującą rzeczą jest to, jak porównanie -O0, -O3 naśladuje ogólną zasadę, że trafienie w pamięć podręczną L1 ma około 2x odniesienie do rejestru. Twoje średnie O3 działa w 51,70% czasu, w którym działa O0. Po zastosowaniu wariancji niższej / wyższej, mamy (O3-200) / (O0 + 158386), zauważamy poprawę do 51,67%.
Krótko mówiąc, tak, pamięć podręczna nigdy nie będzie deterministyczna; a niska wariancja, którą widzisz, jest zgodna z tym, czego należy się spodziewać po synchronizacji z wolniejszym urządzeniem. Jest to tylko duża wariancja w porównaniu z bardziej deterministyczną maszyną tylko do rejestrów.
źródło
numa_balancing
prawdopodobnie same unieważnienia TLB to wyjaśniają.