Ich führe einige Experimente durch, um hochkonsistente Laufzeiten für einen Code zu erhalten. Der Code, den ich gerade zeitlich festlege, ist eine ziemlich willkürliche CPU-gebundene Arbeitslast:
int cpu_workload_external_O3(){
int x = 0;
for(int ind = 0; ind < 12349560; ind++){
x = ((x ^ 0x123) + x * 3) % 123456;
}
return x;
}
Ich habe ein Kernelmodul geschrieben, das Interrupts deaktiviert und dann 10 Versuche mit der oben genannten Funktion ausführt, wobei jeder Versuch zeitlich festgelegt wird, indem die Differenz im Taktzykluszähler von vorher und nachher genommen wird. Andere Dinge zu beachten:
- Die Maschine ist eine ARM Cortex-A72 mit 4 Sockeln mit jeweils 4 Kernen (jeder mit eigenem L1-Cache).
- Die Taktfrequenzskalierung ist ausgeschaltet
- Hyperthreading wird nicht unterstützt
- Auf der Maschine läuft praktisch nichts außer einigen Bare-Bones-Systemprozessen
Mit anderen Worten, ich glaube, dass die meisten / alle Ursachen für Systemvariabilität berücksichtigt werden, und insbesondere wenn spin_lock_irqsave()
der Code als Kernelmodul mit deaktivierten Interrupts ausgeführt wird , sollte er von Lauf zu Lauf eine nahezu identische Leistung erzielen (möglicherweise ein kleiner Leistungseinbruch) beim ersten Durchlauf, wenn eine Anweisung zum ersten Mal in den Cache gezogen wird, aber das war's).
In der Tat habe -O3
ich beim Kompilieren des Benchmark-Codes einen Bereich von höchstens 200 Zyklen von durchschnittlich ~ 135.845.192 gesehen, wobei die meisten Versuche genau die gleiche Zeit in Anspruch nahmen. Bei der Kompilierung mit -O0
schoss der Bereich jedoch bis zu 158.386 Zyklen von ~ 262.710.916. Mit Reichweite meine ich den Unterschied zwischen der längsten und der kürzesten Laufzeit. Darüber hinaus gibt es für den -O0
Code nicht viel Konsistenz darüber, welcher der Versuche der langsamste / schnellste ist - intuitiv gesehen war der schnellste der allererste und der langsamste der unmittelbarste!
Also : Was könnte diese hohe Obergrenze für die Variabilität im -O0
Code verursachen? Wenn man sich die Assembly ansieht, scheint es, dass der -O3
Code alles (?) In einem Register speichert, während der -O0
Code eine Reihe von Verweisen auf enthält sp
und daher auf Speicher zuzugreifen scheint. Aber selbst dann würde ich erwarten, dass alles in den L1-Cache gebracht wird und dort mit einer ziemlich deterministischen Zugriffszeit sitzt.
Code
Der zu vergleichende Code befindet sich im obigen Snippet. Die Montage ist unten. Beide wurden gcc 7.4.0
ohne Flags außer -O0
und kompiliert -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
Kernelmodul
Der Code, der die Versuche ausführt, ist unten. Es liest PMCCNTR_EL0
vor / nach jeder Iteration, speichert die Unterschiede in einem Array und druckt die Min / Max-Zeiten am Ende über alle Versuche hinweg aus. Die Funktionen cpu_workload_external_O0
und cpu_workload_external_O3
befinden sich in externen Objektdateien, die separat kompiliert und dann verknüpft werden.
#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");
}
Hardware
$ 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
Probenmessungen
Nachfolgend finden Sie einige Ausgaben einer Ausführung des Kernelmoduls:
[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
Für jeden Versuch werden folgende Werte angegeben: Anzahl der Zyklen (0x11), Anzahl der L1D-Zugriffe (0x04), Anzahl der L1I-Zugriffe (0x14). Ich verwende Abschnitt 11.8 dieser ARM-PMU-Referenz .
lscpu --extended
richtig verstehe , hat jeder Kern seine eigenen L1-Daten- und Anweisungs-Caches, und dann hat jeder Socket einen gemeinsam genutzten L2-Cache für seine 4 Kerne. Solange alles im L1-Cache erledigt ist, würde ich erwarten, dass der Code hübsch ist viel "besitzen" seinen Bus (da es das einzige ist, was bis zur Fertigstellung auf seinem Kern läuft). Ich weiß jedoch nicht viel über Hardware auf dieser Ebene.on_each_cpu()
meldet jedes Kernelmodul, wenn ich diesen Code auf allen CPUs gleichzeitig über ausführen lasse , fast keine Variabilität über 100 Versuche.Antworten:
In neueren Linux-Kerneln werden durch den automatischen NUMA-Seitenmigrationsmechanismus regelmäßig TLB-Einträge abgeschossen, damit die NUMA-Lokalität überwacht werden kann. TLB-Neuladungen verlangsamen den O0-Code, auch wenn die Daten im L1DCache verbleiben.
Der Seitenmigrationsmechanismus sollte auf Kernelseiten nicht aktiviert werden.
Sie überprüfen, ob die automatische NUMA-Seitenmigration mit aktiviert ist
und Sie können es mit deaktivieren
quelle
numa_balancing
deaktiviert. Vielleicht hast du eine Idee?Ihre Varianz liegt in der Größenordnung von 6 * 10 ^ -4. Während Ihr Programm schockierend mehr als 1,3 * 10 ^ -6 beträgt, ist es, sobald es mit den Caches spricht, an vielen synchronisierten Vorgängen beteiligt. Synchronisiert bedeutet immer Zeitverschwendung.
Interessant ist, wie Ihr -O0, -O3-Vergleich die allgemeine Regel nachahmt, dass ein L1-Cache-Treffer etwa das Zweifache einer Registerreferenz ist. Ihr durchschnittlicher O3 läuft in 51,70% der Zeit, in der Ihr O0 läuft. Wenn Sie die unteren / oberen Abweichungen anwenden, haben wir (O3-200) / (O0 + 158386) eine Verbesserung auf 51,67%.
Kurz gesagt, ja, ein Cache wird niemals deterministisch sein. und die geringe Varianz, die Sie sehen, entspricht den Erwartungen an die Synchronisierung mit einem langsameren Gerät. Es ist nur eine große Varianz im Vergleich zu der deterministischeren Nur-Register-Maschine.
quelle
numa_balancing
allein die TLB-Invalidierungen erklären es wahrscheinlich.