子进程退出后内核复制CoW页面

Question

在Linux中，只要分支了一个进程，父进程的内存映射就会被克隆到子进程中。实际上，出于性能原因，这些页面被设置为写时复制-最初它们是共享的，并且如果两个进程之一在其中之一上进行写操作，则它们随后将被共享被克隆（MAP_PRIVATE）。

这是获取正在运行的程序状态的快照的一种非常常见的机制-您进行了fork，这使您可以在那个时间点（一致）查看进程的内存。

我做了一个简单的基准测试，其中包含两个部分：

• 一个父进程，它具有写入数组
的线程池
• 一个子进程，它具有一个线程池，这些线程对数组进行快照并取消映射

在某些情况下（机器/体系结构/内存位置/线程数/ ...），我能够比线程写入数组早得多地完成复制。

但是，当子进程退出时，在htop中，我仍然看到大部分CPU时间都花在了内核上，这与用来处理写时复制< / em>每当父进程写入页面时。

据我了解，如果标记为写时复制的匿名页面是由单个进程映射的，则不应复制它，而应直接使用。

如何确定这确实是在复制内存上花费的时间？

如果我说对了，该如何避免这种开销？

---

该基准测试的核心位于 modern C ++中。

定义WITH_FORK以启用快照；保留未定义以禁用子进程。

#include <unistd.h>
#include <sys/mman.h>
#include <sys/types.h>
#include <sys/wait.h>

#include <numaif.h>
#include <numa.h>

#include <algorithm>
#include <cassert>
#include <condition_variable>
#include <mutex>
#include <iomanip>
#include <iostream>
#include <cmath>
#include <numeric>
#include <thread>
#include <vector>

#define ARRAY_SIZE 1073741824 // 1GB
#define NUM_WORKERS 28
#define NUM_CHECKPOINTERS 4
#define BATCH_SIZE 2097152 // 2MB

using inttype = uint64_t;
using timepoint = std::chrono::time_point<std::chrono::high_resolution_clock>;

constexpr uint64_t NUM_ELEMS() {
  return ARRAY_SIZE / sizeof(inttype);
}

int main() {

  // allocate array
  std::array<inttype, NUM_ELEMS()> *arrayptr = new std::array<inttype, NUM_ELEMS()>();
  std::array<inttype, NUM_ELEMS()> & array = *arrayptr;

  // allocate checkpoint space
  std::array<inttype, NUM_ELEMS()> *cpptr = new std::array<inttype, NUM_ELEMS()>();
  std::array<inttype, NUM_ELEMS()> & cp = *cpptr;

  // initialize array
  std::fill(array.begin(), array.end(), 123);

#ifdef WITH_FORK
  // spawn checkpointer threads
  int pid = fork();
  if (pid == -1) {
    perror("fork");
    exit(-1);
  }

  // child process -- do checkpoint
  if (pid == 0) {
    std::array<std::thread, NUM_CHECKPOINTERS> cpthreads;
    for (size_t tid = 0; tid < NUM_CHECKPOINTERS; tid++) {
      cpthreads[tid] = std::thread([&, tid] {
        // copy array
        const size_t numBatches = ARRAY_SIZE / BATCH_SIZE;
        for (size_t i = tid; i < numBatches; i += NUM_CHECKPOINTERS) {
          void *src = reinterpret_cast<void*>(
            reinterpret_cast<intptr_t>(array.data()) + i * BATCH_SIZE);
          void *dst = reinterpret_cast<void*>(
            reinterpret_cast<intptr_t>(cp.data()) + i * BATCH_SIZE);
          memcpy(dst, src, BATCH_SIZE);
          munmap(src, BATCH_SIZE);
        }
      });
    }
    for (std::thread& thread : cpthreads) {
      thread.join();
    }
    printf("CP finished successfully! Child exiting.\n");
    exit(0);
  }
#endif  // #ifdef WITH_FORK

  // spawn worker threads
  std::array<std::thread, NUM_WORKERS> threads;
  for (size_t tid = 0; tid < NUM_WORKERS; tid++) {
    threads[tid] = std::thread([&, tid] {
      // write to array
      std::array<inttype, NUM_ELEMS()>::iterator it;
      for (it = array.begin() + tid; it < array.end(); it += NUM_WORKERS) {
        *it = tid;
      }
    });
  }

  timepoint tStart = std::chrono::high_resolution_clock::now();

#ifdef WITH_FORK
  // allow reaping child process while workers work
  std::thread childWaitThread = std::thread([&] {
    if (waitpid(pid, nullptr, 0)) {
      perror("waitpid");
    }
    timepoint tChild = std::chrono::high_resolution_clock::now();
    std::chrono::duration<double> durationChild = tChild - tStart;
    printf("reunited with child after (s): %lf\n", durationChild.count());
  });
#endif

  // wait for workers to finish
  for (std::thread& thread : threads) {
    thread.join();
  }
  timepoint tEnd = std::chrono::high_resolution_clock::now();
  std::chrono::duration<double> duration = tEnd - tStart;
  printf("duration (s): %lf\n", duration.count());

#ifdef WITH_FORK
  childWaitThread.join();
#endif
}

Answer 1

阵列的大小为1GB，大约25万个页面，其中每个页面的大小为4KB。对于此程序，可以轻松估计由于写入CoW页面而导致的页面错误数。也可以使用Linux perf工具进行测量。 new运算符将数组初始化为零。所以下面的代码行：

std::array<inttype, NUM_ELEMS()> *arrayptr = new std::array<inttype, NUM_ELEMS()>();

将导致大约250K页面错误。同样，下面的代码行：

std::array<inttype, NUM_ELEMS()> *cpptr = new std::array<inttype, NUM_ELEMS()>();

将导致另外25万页错误。所有这些页面错误都是次要，即可以在不访问磁盘驱动器的情况下进行处理。分配两个1GB阵列不会对具有更多物理内存的系统造成任何重大故障。

在这一点上，已经发生了大约500K页错误（当然，还有其他页错误是由程序中的其他内存访问引起的，但是可以忽略不计）。 std::fill的执行不会造成任何次要错误，但是阵列的虚拟页面已经被映射到专用的物理页面。

然后，程序的执行将继续进行分支子进程并创建父进程的工作线程。子进程本身的创建足以制作阵列快照，因此实际上不需要在子进程中执行任何操作。实际上，在分支子进程时，两个阵列的虚拟页都标记为写时复制。子进程从arrayptr读取并写入cpptr，这将导致额外的250K小错误。父进程还会写入arrayptr，这还会导致额外的250K小错误。因此，在子进程中进行复制并取消映射页面不会提高性能。相反，页面错误的数量增加了一倍，性能显着下降。

您可以使用以下命令测量次要和主要故障的数量：

perf stat -r 3 -e minor-faults,major-faults ./binary

默认情况下，这将计算整个过程树的次要和主要故障。 -r 3选项告诉perf重复三次实验并报告平均值和标准偏差。

我还注意到，线程总数为28 +4。最佳线程数大约等于系统上在线逻辑核的总数。如果线程数量大得多或小得多，由于创建太多线程并在它们之间进行切换的开销会降低性能。

以下循环中可能还存在另一个潜在问题：

for (it = array.begin() + tid; it < array.end(); it += NUM_WORKERS) {
  *it = tid;
}

不同的线程可能会尝试同时多次向同一缓存行写入内容，从而导致错误共享。根据处理器高速缓存行的大小，线程数以及所有内核是否都以相同的频率运行，这可能不是一个严重的问题，因此很难一概而论。更好的循环形状是使每个线程的元素在数组中是连续的。