导致CUDA指令重播开销的原因

Question

我在我的CUDA应用程序上运行了visual profiler。如果数据太大，应用程序会多次调用单个内核。这个内核没有分支。

分析器报告 83.6％的高指令重放开销和 83.5％<高全局内存指令重放开销 < /强>

以下是内核的外观：

// Decryption kernel
__global__ void dev_decrypt(uint8_t *in_blk, uint8_t *out_blk){

    __shared__ volatile word sdata[256];
    register uint32_t data;

    // Thread ID
#define xID (threadIdx.x + blockIdx.x * blockDim.x)
#define yID (threadIdx.y + blockIdx.y * blockDim.y)
    uint32_t tid = xID + yID * blockDim.x * gridDim.x;
#undef xID
#undef yID

    register uint32_t pos4 = tid%4;
    register uint32_t pos256 = tid%256;
    uint32_t blk = pos256&0xFC;

    // Indices
    register uint32_t index0 = blk + (pos4+3)%4;
    register uint32_t index1 = blk + (pos4+2)%4;

    // Read From Global Memory
    b0[pos256] = ((word*)in_blk)[tid+4] ^ dev_key[pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    sdata[pos256] = data ^ tab2[pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    sdata[pos256] = data ^ tab2[2*pos4];

    data  = tab(0,sdata[index0]);
    data ^= tab(1,sdata[index1]);
    data ^= tab2[3*pos4];

    ((uint32_t*)out_blk)[tid] = data + ((uint32_t*)in_blk)[tid];
}

如你所见，没有分支。线程最初将根据线程ID + 16字节从全局内存中读取。然后，在根据线程ID对全局内存中的数据执行操作后，它们将写入输出缓冲区。

为什么这个内核会有如此多的开销？

Answer 1

在这种情况下，指令重放的来源是warp中的非均匀常量内存访问。在您的代码中，tab存储在常量内存中，并根据线程索引和数据存储共享内存的某种组合进行索引。结果似乎是同一warp中的非均匀访问线程。常量内存实际上适用于warp中的所有线程访问同一个字的情况，然后可以在单个操作中从常量内存缓存中广播该值，否则会发生warp序列化。

如果需要对小型只读数据集进行非均匀访问，最好将数据绑定到纹理，而不是存储它是常量内存。