Bir kod parçası için son derece tutarlı çalışma zamanları almak etrafında bazı deneyler yapıyorum. Şu anda zamanlama kodu oldukça keyfi bir CPU bağlı iş yükü:
int cpu_workload_external_O3(){
int x = 0;
for(int ind = 0; ind < 12349560; ind++){
x = ((x ^ 0x123) + x * 3) % 123456;
}
return x;
}Kesmeleri devre dışı bırakan ve yukarıdaki fonksiyonun 10 denemesini çalıştıran bir çekirdek modülü yazdım, her bir denemeyi zaman döngüsü sayacındaki farkı önceki ve sonraki zamana göre alarak zamanladım. Dikkat edilmesi gereken diğer şeyler:
- Makine, her biri 4 çekirdekli 4 soketli (her biri kendi L1 önbelleğine sahip) bir ARM Cortex-A72'dir
- saat frekansı ölçeklendirme kapalı
- hiper iş parçacığı desteklenmez
- Makine bazı çıplak kemik sistemi işlemleri dışında neredeyse hiçbir şey çalıştırmıyor
Başka bir deyişle, sistem değişkenliği kaynaklarının çoğunun / tümünün hesaba katıldığına inanıyorum ve özellikle kesintileri devre dışı bırakılmış bir çekirdek modülü olarak çalıştırıldığında spin_lock_irqsave(), kodun hemen hemen aynı performansa ulaşması gerekir (belki küçük bir performans isabeti) ilk çalıştırmada bazı talimatlar önbelleğe alındığında, ancak bu kadar).
Gerçekten de, karşılaştırmalı kod derlendiğinde -O3, ortalama olarak 135.845.192'den en fazla 200 döngü gördüm, denemelerin çoğu tam olarak aynı süreyi aldı. Bununla birlikte , derlendiğinde -O0, aralık ~ 262.710.916'dan 158.386 devire kadar yükseldi. Aralığa göre, en uzun ve en kısa çalışma süreleri arasındaki farkı kastediyorum. Dahası, -O0kod için, denemelerin hangisinin en yavaş / en hızlı olduğu konusunda çok fazla tutarlılık yoktur - mantıksız olarak, bir kerede en hızlı ilk ve en yavaş olanıdır!
Peki , -O0koddaki değişkenlikte bu üst sınırın nedeni ne olabilir ? Derlemeye bakıldığında, -O3kodun her şeyi (?) Bir kayıt defterinde sakladığı görülürken, -O0kodun bir grup referansı vardır spve bu nedenle belleğe erişiyor gibi görünüyor. Ama o zaman bile, her şeyin L1 önbelleğine getirilmesini ve orada oldukça belirleyici bir erişim süresiyle oturmasını beklerdim.
kod
Kıyaslanan kod yukarıdaki kod parçasındadır. Montaj aşağıda. Her ikisi de ve gcc 7.4.0dışında hiçbir bayrak olmadan derlendi .-O0-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
çekirdek modülü
Denemeleri çalıştıran kod aşağıdadır. PMCCNTR_EL0Her yinelemeden önce / sonra okur , farklılıkları bir dizide saklar ve tüm denemelerde sondaki min / maks sürelerini yazdırır. İşlevler cpu_workload_external_O0ve cpu_workload_external_O3ayrı olarak derlenen ve daha sonra bağlanan harici nesne dosyalarındadır.
#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");
}Donanım
$ 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
Örnek Ölçümler
Çekirdek modülünün bir uygulamasından bazı çıktılar aşağıdadır:
[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
Her deneme için bildirilen değerler şunlardır: döngü sayısı (0x11), L1D erişim sayısı (0x04), L1I erişim sayısı (0x14). Bu ARM PMU referansının 11.8 bölümünü kullanıyorum ).
lscpu --extendeddoğru anlıyorsam , her çekirdeğin kendi L1 veri ve talimat önbellekleri vardır ve daha sonra her soketin 4 çekirdeği için paylaşılan bir L2 önbelleği vardır, böylece L1 önbellek içinde her şey yapıldıysa kodun güzel olmasını beklerim çok "kendi" otobüs (tamamlanana kadar, çekirdek üzerinde çalışan tek şey olduğu gibi). Yine de bu düzeydeki donanım hakkında fazla bir şey bilmiyorum.
on_each_cpu(), her biri 100 denemede neredeyse hiç değişkenlik bildirmez.