Question

我有一个记忆表现难题。我正在尝试测量从主内存中获取字节所需的时间，以及各种BIOS设置和内存硬件参数如何影响它。我为Windows编写了以下代码，在循环中，通过读取另一个缓冲区来刷新缓存，然后使用不同的步幅一次读取一个字节的目标缓冲区。我认为一旦步幅是高速缓存行大小，那就是我试图测量的数量，因为每次读取都会进入主存储器。这是基准代码（请注意，缓冲区的大小是步长x 1MB，我将线程固定到核心1）：

#include <stdio.h>
#include <memory.h>

#define NREAD       (1024*1024)
#define CACHE_SIZE  (50*1024*1024)

char readTest(int stride) {
    LARGE_INTEGER frequency;
    LARGE_INTEGER start;
    LARGE_INTEGER end;
    int rep, i,ofs;
    double time, min_time=1e100, max_time=0.0, mean_time=0.0;
    char *buf = (char *)malloc(NREAD*stride);
    char *flusher = (char *)malloc(CACHE_SIZE); 
    char jnk=0;
    for(rep=0; rep<255; rep++) {
        // read the flusher to flush the cache
        for(ofs = 0; ofs<CACHE_SIZE; ofs+=64) jnk+=flusher[ofs];
        if (QueryPerformanceFrequency(&frequency) == FALSE) exit(-1);
        if (QueryPerformanceCounter(&start) == FALSE) exit(-2);

        // here's the timed loop
        for(ofs=0; ofs<NREAD*stride; ofs+=stride) jnk += buf[ofs];

        if (QueryPerformanceCounter(&end) == FALSE) exit(-3);
        time = (double)(end.QuadPart - start.QuadPart) / (double)frequency.QuadPart*1e6;
        max_time = time > max_time ? time : max_time;
        min_time = time < min_time ? time : min_time;
        mean_time += time;
    }
    mean_time /= 255;
    printf("Stride = %4i, Max: %6.0f us, Min: %6.0f us, Mean: %6.0f us, B/W: %4.0f MB/s\n", stride, max_time, min_time, mean_time, NREAD/min_time);
    free(buf);
    free(flusher);
    return jnk;
}

int main(int argc, char* argv[]) {
    SetThreadAffinityMask(GetCurrentThread(), 1);  // pin to core 1 to avoid weirdness
    // run the tests
    readTest(1);    readTest(2);    readTest(4);    readTest(6);    readTest(8);
    readTest(12);   readTest(16);   readTest(24);   readTest(32);   readTest(48);
    readTest(64);   readTest(96);   readTest(128);  readTest(192);  readTest(256);
    readTest(384);  readTest(512);  readTest(768);  readTest(1024); readTest(1536);
    return 0;
}

定时的内部循环汇编为：

        // here's the timed loop
        for(ofs=0; ofs<NREAD*stride; ofs+=stride) jnk += buf[ofs];
00F410AF  xor         eax,eax  
00F410B1  test        edi,edi  
00F410B3  jle         readTest+0C2h (0F410C2h)  
00F410B5  mov         edx,dword ptr [buf]  
00F410B8  add         bl,byte ptr [eax+edx]  
00F410BB  add         eax,dword ptr [stride]  
00F410BE  cmp         eax,edi  
00F410C0  jl          readTest+0B5h (0F410B5h)

我在双处理器E5-2609机器上运行了这个，结果如下：

Stride =    1, Max:   2362 us, Min:    937 us, Mean:    950 us, B/W: 1119 MB/s
Stride =    2, Max:   1389 us, Min:    968 us, Mean:    978 us, B/W: 1083 MB/s
Stride =    4, Max:   1694 us, Min:   1026 us, Mean:   1037 us, B/W: 1022 MB/s
Stride =    6, Max:   2418 us, Min:   1098 us, Mean:   1124 us, B/W:  955 MB/s
Stride =    8, Max:   2835 us, Min:   1234 us, Mean:   1252 us, B/W:  850 MB/s
Stride =   12, Max:   4203 us, Min:   1527 us, Mean:   1559 us, B/W:  687 MB/s
Stride =   16, Max:   5130 us, Min:   1816 us, Mean:   1849 us, B/W:  577 MB/s
Stride =   24, Max:   7370 us, Min:   2408 us, Mean:   2449 us, B/W:  435 MB/s
Stride =   32, Max:  10039 us, Min:   2901 us, Mean:   3014 us, B/W:  361 MB/s
Stride =   48, Max:  14248 us, Min:   4652 us, Mean:   4731 us, B/W:  225 MB/s
Stride =   64, Max:  19149 us, Min:   6340 us, Mean:   6447 us, B/W:  165 MB/s
Stride =   96, Max:  28848 us, Min:   8475 us, Mean:   8615 us, B/W:  124 MB/s
Stride =  128, Max:  37449 us, Min:   9900 us, Mean:  10160 us, B/W:  106 MB/s
Stride =  192, Max:  51718 us, Min:  11282 us, Mean:  11563 us, B/W:   93 MB/s
Stride =  256, Max:  62193 us, Min:  11558 us, Mean:  11924 us, B/W:   91 MB/s
Stride =  384, Max:  86943 us, Min:  11829 us, Mean:  12260 us, B/W:   89 MB/s
Stride =  512, Max: 108661 us, Min:  11847 us, Mean:  12401 us, B/W:   89 MB/s
Stride =  768, Max: 167951 us, Min:  11797 us, Mean:  12946 us, B/W:   89 MB/s
Stride = 1024, Max: 211700 us, Min:  12893 us, Mean:  13979 us, B/W:   81 MB/s
Stride = 1536, Max: 332214 us, Min:  12967 us, Mean:  15077 us, B/W:   81 MB/s

以下是我的问题：

为什么在步幅大于缓存行大小（Sandy Bridge为64字节）后性能会继续下降？我认为一旦步幅足够大，每次读取都要求高速缓存行传输，就会出现性能最差的情况，但即使在此之后，时间也增加了两倍......我缺少什么？
为什么最大时间（在循环的第一次迭代中发生）比最小时间长2-4倍？我每次迭代都在刷新缓存......

Answer 1

缓存行不是跟踪内存的唯一粒度。从虚拟地址到物理地址的转换发生在 page 粒度上。您的系统几乎肯定会使用4k页。

在64的步幅中，每页有64个条目，因此您有16384个页面。 L2 TLB只能跟踪其中的512个页面，因此您可以在每个新页面上进行L2 TLB未命中（每64次访问）。

在1024的步幅中，每页有4个条目，因此您有262144个页面。现在每4次访问就会得到一个L2 TLB未命中。

tl;博士：TLB未命中正在杀死你。您可以使用perf计数器直接观察此信息，而不是让Stack Overflow为您读取茶叶。您还可以让系统使用一个或多个“超级页面”来分配缓冲区，以扩展TLB范围（尽管不同的系统对此功能有不同程度的支持）。

Answer 2

由于预取，线路大小后会继续降级 - 只要您在稳定的流中（或者甚至是步幅）跨越高速缓存行，您就会享受到硬件预取器带来的好处。几行。 L2流媒体特别有用，因为它比你的访问流运行得更快但是，一旦你的步幅超过128字节，你应该开始在流预取器之前运行，并且每次访问都会产生完整的延迟。
确保确实如此 - 禁用预取（希望您的系统在BIOS中允许这样做）编辑：斯蒂芬提出了一个关于访问TLB查找的比例的非常好的观点 - 这将解释大的进步。如果你绘制每个步幅的时间，我愿意下注，由于TLB未命中率，你会看到一个强劲的趋势，并且最重要的是在64到128字节的步幅之间跳跃。
我认为由于冷TLB，您的第一次迭代会更长。您可以通过尝试刷新它（硬...），或者通过运行预热迭代并仅从第二个测量来测试。

内存性能/缓存难题

2 个答案: