我正在尝试理解kcachegrind，那里似乎没有太多信息，例如，在左侧窗口，什么是“Self”，什么是“incl。”？ （见1 core）。
我做了一些弱缩放测试，没有通信，所以我的猜测是它与缓存未命中有关。但据我所知，1核和16核的数据丢失数量相同，请参阅：16 cores。
我在1核心和16核心之间可以看到的唯一区别是，对16个核心的memcpy的调用要少得多（我可以解释）。但我仍然无法弄清楚为什么在一个内核上，执行时间为0.62秒，而在16个内核上，执行时间接近1秒。每个处理器都在做同样的工作。如果有人能告诉我在kcachegrind中寻找什么，那就太棒了，这是我第一次使用kcachegrind和valgrind。
编辑：我的代码以压缩行格式连接矩阵。它涉及循环子矩阵的条目，并使用memcpy将值复制到结果矩阵中。 这是代码： - 我不能发布超过2个链接...所以我会在评论中发布它。
我只在循环本身启动了valgrind，循环也是0.62秒执行时间和1秒执行时间之间的区别。花费最多时间的部分是对memcpy的调用（下面github要点中的第37行），当我评论出来时，我的代码执行时间不到0.2秒，尽管仍然有1到16个内核之间的增加（约增加30％）。
我在haswell节点上运行我的代码，该节点由24个内核组成（两个Intel®Xeon®处理器E5-2690 v3）
每个核心都有5GB的内存。
答案 0 :(得分：0)
那里似乎没有太多的信息，例如，在左侧窗口，什么是＆＃34; Self＆＃34;，什么是＆＃34; incl。＆＃34;？< / p>
令人惊讶的是，这是kcachegrind FAQ中第一个常见问题。具体来说，从该链接：
...区分功能本身的成本（＆＃39;自我成本＆＃39;）和包括所有被叫功能的成本（＆＃39;包含成本＆＃39; [incl。]）是有意义的
现在，您还没有显示任何代码，甚至没有提示您的程序是什么，但是......
从我所看到的情况来看，1核和16核都有相同数量的数据丢失......
如果您有一些固定数量的数据可以开始工作，并且它在缓存之外启动，那么将需要相同数量的未命中来覆盖它。
您还没有提供有关您的硬件平台的任何线索，因此我不知道您是否在具有统一最后一级缓存的单个套接字上有16个内核，或者4x4以及您的最后一级缓存未命中在这些套接字之间划分，或者是什么。
但我仍然无法解决为什么在一个内核上，执行时间为0.62秒，而在16个内核上，执行时间接近1秒
也许它的同步成本。也许它是在valgrind下运行的神器。也许它是别的东西。也许没有人可以真正帮助分析您的代码，而无需任何有关代码的信息。
如果有人能告诉我在kcachegrind中寻找什么...
你想找到什么？你的代码在做什么？没有在valgrind下运行的时候还有时差吗？您使用的是哪些库，哪些操作系统以及哪些硬件平台？
