Ich habe ein bisschen mit der Ausführung von RAM und Flash-Speicher auf eingebetteten Systemen experimentiert. Für Rapid Prototyping und Tests verwende ich derzeit einen Arduino Due (SAM3X8E ARM Cortex-M3). Soweit ich sehen kann, sollten die Arduino-Laufzeit und der Bootloader hier keinen Unterschied machen.
Hier ist das Problem: Ich habe eine Funktion ( calc ), die in ARM Thumb Assembly geschrieben ist. calc berechnet eine Zahl und gibt sie zurück. (> 1s Laufzeit für die angegebene Eingabe) Jetzt habe ich den zusammengestellten Maschinencode dieser Funktion manuell extrahiert und als Rohbytes in eine andere Funktion eingefügt. Es wurde bestätigt, dass sich beide Funktionen im Flash-Speicher befinden (Adresse 0x80149 und 0x8017D, direkt nebeneinander). Dies wurde sowohl durch Demontage als auch durch eine Laufzeitprüfung bestätigt.
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() {
}Die Ausgabe des obigen Programms auf dem Arduino Due-Ziel ist:
Address: 524617 Res: 3524578: 1338254us
Address: 524669 Res: 3524578: 2058819us
Daher bestätigen wir, dass die Ergebnisse gleich sind und die Adresse zur Laufzeit wie erwartet ist. Die Ausführung der manuell eingegebenen Maschinencodefunktion ist 50% langsamer.
Die Demontage mit arm-none-eabi-objdump bestätigt ferner die jeweiligen Adressen, die Flash-Speicherresidenz und die Gleichheit des Maschinencodes (Endianness und Byte-Gruppierung beachten!):
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
...
Wir können die analog verwendete Aufrufkonvention weiter bestätigen:
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
Ich kann ausschließen, dass dies auf eine Art spekulativen Abruf (den der Cortex-M3 anscheinend hat!) Oder auf Interrupts zurückzuführen ist. (EDIT: NOPE, ich kann nicht. Wahrscheinlich eine Art Prefetch.) Das Ändern der Ausführungsreihenfolge oder das Hinzufügen von Funktionsaufrufen dazwischen ändert nichts am Ergebnis. Was könnte der Schuldige hier sein?
BEARBEITEN: Nach dem Ändern der Ausrichtung der Maschinencodefunktion (Nops als Prolog einfügen) erhalte ich die folgenden Ergebnisse:
+ 16bit für calc2:
Address: 524617 Res: 3524578: 1102257us
Address: 524669 Res: 3524578: 1846968us
+ 32bit für calc2:
Address: 524617 Res: 3524578: 1102257us
Address: 524669 Res: 3524578: 1535424us
+ 48bit für calc2:
Address: 524617 Res: 3524578: 1102155us
Address: 524669 Res: 3524578: 1413180us
+ 64bit für calc2:
Address: 524617 Res: 3524578: 1102155us
Address: 524669 Res: 3524578: 1346606us
+ 80bit für calc2:
Address: 524617 Res: 3524578: 1102145us
Address: 524669 Res: 3524578: 1180105us
EDIT2: Nur calc ausführen:
Address: 524617 Res: 3524578: 1102155us
Läuft nur calc2:
Address: 524617 Res: 3524578: 1102257us
Reihenfolge ändern:
Address: 524669 Res: 3524578: 1554160us
Address: 524617 Res: 3524578: 1102211us
EDIT3: Hinzufügen .p2align 4vor Label nur .infür Calc, separate Ausführung:
Address: 524625 Res: 3524578: 1413185us
Beides wie im ursprünglichen Benchmark:
Address: 524625 Res: 3524578: 1413185us
Address: 524689 Res: 3524578: 1535424us
EDIT4: Das Umkehren der Position im Blitz ändert das Ergebnis vollständig. -> Linearer Prefetch?
Antworten:
Die Geschwindigkeit der Codeausführung von Flash hängt von der Anzahl der Wartezyklen und der Codeausrichtung für jedes Verzweigungsziel ab. In diesem und ähnlichen Prozessoren wie STM32F103 benötigt Flash 3 Wartezyklen, wenn der Kern mit der höchsten Frequenz ausgeführt wird. Dies bedeutet, dass jeder genommene Zweig zwischen 2 und 5 Zyklen dauern kann, was sich auf die Gesamtlaufzeit auswirken kann.
Um die FLASH-Langsamkeit auszugleichen, verfügen diese Prozessoren über einen breiten FLASH-Bus und einen Abrufpuffer. SAM3X verfügt über ein Paar 128-Bit-Befehlspuffer, die scheinbar in einem Prefetch-Muster gefüllt sind [1].
Um eine enge Schleife zu optimieren, versuchen Sie, in einen 32-Byte-Codeblock zu passen und ihn an der 16-Byte-Grenze auszurichten (oder besser 32, nur für den Fall). Es kann auch eine gute Idee sein, zu überprüfen, ob die FLASH-Parameter in dieser MCU korrekt eingerichtet sind, dh der Vorabruf ist aktiviert und die Busbreite auf 128 Bit eingestellt. Das Kopieren von Code in den Arbeitsspeicher ist möglicherweise eine Option, aber es ist schmerzhaft und kann die Dinge im Vergleich zu ordnungsgemäß funktionierenden Abrufpuffern verlangsamen.
[1] http://ww1.microchip.com/downloads/en/DeviceDoc/Atmel-11057-32-bit-Cortex-M3-Microcontroller-SAM3X-SAM3A_Datasheet.pdf , Seite 294, Abbildungen 18-2, 18-3 .
quelle