为什么c ++文件中函数的位置会影响其性能

Question

为什么c ++文件中函数的位置会影响其性能？ 具体来说，在下面给出的示例中，我们有两个相同的功能，具有不同的，一致的性能配 如何调查这一点并确定性能如此不同？

这个例子很简单，因为我们有两个函数：a和b。 每个都在紧密循环中运行多次并进行优化（ -O3 -march=corei7-avx ）并定时。 这是代码：

#include <cstdint>
#include <iostream>
#include <numeric>

#include <boost/timer/timer.hpp>

bool array[] = {true, false, true, false, false, true};

uint32_t __attribute__((noinline)) a() {
    asm("");
    return std::accumulate(std::begin(array), std::end(array), 0);
}

uint32_t __attribute__((noinline)) b() {
    asm("");
    return std::accumulate(std::begin(array), std::end(array), 0);
}

const size_t WARM_ITERS = 1ull << 10;
const size_t MAX_ITERS = 1ull << 30;

void test(const char* name, uint32_t (*fn)())
{
    std::cout << name << ": ";
    for (size_t i = 0; i < WARM_ITERS; i++) {
        fn();
        asm("");
    }
    boost::timer::auto_cpu_timer t;
    for (size_t i = 0; i < MAX_ITERS; i++) {
        fn();
        asm("");
    }
}

int main(int argc, char **argv)
{
    test("a", a);
    test("b", b);
    return 0;
}

一些值得注意的功能：

• 函数a和b是相同的。 它们执行相同的累积操作并编译为相同的汇编指令。
• 每个测试迭代都有一个预热时间，然后开始尝试消除任何加热缓存的问题。

当编译并运行时，我们得到以下输出，显示a明显慢于b：

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
a:  7.412747s wall, 7.400000s user + 0.000000s system = 7.400000s CPU (99.8%)
b:  5.729706s wall, 5.740000s user + 0.000000s system = 5.740000s CPU (100.2%)

如果我们反转两个测试（即调用test(b)然后test(a) ）a仍然比b慢：

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
b:  5.733968s wall, 5.730000s user + 0.000000s system = 5.730000s CPU (99.9%)
a:  7.414538s wall, 7.410000s user + 0.000000s system = 7.410000s CPU (99.9%)

如果我们现在反转C ++文件中函数的位置（将b的定义移到a之上），结果将被反转，并且变得比b快！

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
a:  5.729604s wall, 5.720000s user + 0.000000s system = 5.720000s CPU (99.8%)
b:  7.411549s wall, 7.420000s user + 0.000000s system = 7.420000s CPU (100.1%)

因此，基本上c ++文件顶部的任何函数都会变慢。

您可能遇到的问题的一些答案：

• 编译的代码对于a和b都是相同的。 已经检查了拆卸。 （对于那些感兴趣的人： http ： //pastebin.com/2QziqRXR ）
• 代码是使用gcc 4.8，gcc 4.8.1在ubuntu 13.04，ubuntu 13.10和ubuntu 12.04.03上编译的。
• 在Intel Sandy Bridge i7-2600和Intel Xeon X5482 cpu上观察到的效果。

为什么会这样？ 有哪些工具可以调查这样的事情？

Answer 1

它看起来像是一个缓存别名问题。

测试用例非常巧妙，并且在计时之前将所有内容正确加载到缓存中。 看起来所有东西都适合缓存 - 虽然是模拟的，但我已经通过查看valgrind的cachegrind工具的输出来验证这一点，正如人们在这么小的测试用例中所期望的那样，没有明显的缓存未命中：

valgrind --tool=cachegrind --I1=32768,8,64 --D1=32768,8,64  /tmp/so
==11130== Cachegrind, a cache and branch-prediction profiler
==11130== Copyright (C) 2002-2012, and GNU GPL'd, by Nicholas Nethercote et al.
==11130== Using Valgrind-3.8.1 and LibVEX; rerun with -h for copyright info
==11130== Command: /tmp/so
==11130== 
--11130-- warning: L3 cache found, using its data for the LL simulation.
a:  6.692648s wall, 6.670000s user + 0.000000s system = 6.670000s CPU (99.7%)
b:  7.306552s wall, 7.280000s user + 0.000000s system = 7.280000s CPU (99.6%)
==11130== 
==11130== I   refs:      2,484,996,374
==11130== I1  misses:            1,843
==11130== LLi misses:            1,694
==11130== I1  miss rate:          0.00%
==11130== LLi miss rate:          0.00%
==11130== 
==11130== D   refs:        537,530,151  (470,253,428 rd   + 67,276,723 wr)
==11130== D1  misses:           14,477  (     12,433 rd   +      2,044 wr)
==11130== LLd misses:            8,336  (      6,817 rd   +      1,519 wr)
==11130== D1  miss rate:           0.0% (        0.0%     +        0.0%  )
==11130== LLd miss rate:           0.0% (        0.0%     +        0.0%  )
==11130== 
==11130== LL refs:              16,320  (     14,276 rd   +      2,044 wr)
==11130== LL misses:            10,030  (      8,511 rd   +      1,519 wr)
==11130== LL miss rate:            0.0% (        0.0%     +        0.0%  )

我选择了一个32k，8路关联缓存，其64字节缓存行大小与常见的Intel CPU相匹配，并且反复看到a和b函数之间的差异。

虽然在具有相同缓存行大小的32k，128路关联缓存的假想机器上运行，但这种差异几乎消失了：

valgrind --tool=cachegrind --I1=32768,128,64 --D1=32768,128,64  /tmp/so
==11135== Cachegrind, a cache and branch-prediction profiler
==11135== Copyright (C) 2002-2012, and GNU GPL'd, by Nicholas Nethercote et al.
==11135== Using Valgrind-3.8.1 and LibVEX; rerun with -h for copyright info
==11135== Command: /tmp/so
==11135== 
--11135-- warning: L3 cache found, using its data for the LL simulation.
a:  6.754838s wall, 6.730000s user + 0.010000s system = 6.740000s CPU (99.8%)
b:  6.827246s wall, 6.800000s user + 0.000000s system = 6.800000s CPU (99.6%)
==11135== 
==11135== I   refs:      2,484,996,642
==11135== I1  misses:            1,816
==11135== LLi misses:            1,718
==11135== I1  miss rate:          0.00%
==11135== LLi miss rate:          0.00%
==11135== 
==11135== D   refs:        537,530,207  (470,253,470 rd   + 67,276,737 wr)
==11135== D1  misses:           14,297  (     12,276 rd   +      2,021 wr)
==11135== LLd misses:            8,336  (      6,817 rd   +      1,519 wr)
==11135== D1  miss rate:           0.0% (        0.0%     +        0.0%  )
==11135== LLd miss rate:           0.0% (        0.0%     +        0.0%  )
==11135== 
==11135== LL refs:              16,113  (     14,092 rd   +      2,021 wr)
==11135== LL misses:            10,054  (      8,535 rd   +      1,519 wr)
==11135== LL miss rate:            0.0% (        0.0%     +        0.0%  )

由于在8路缓存中，可能存在混淆功能的空间较少，因此您可以获得相当于更多哈希冲突的寻址。 对于具有不同缓存关联性的计算机，在这种情况下，您可以放心地将对象放置在目标文件中，因此尽管不是缓存未命中 ，您也无需执行任何工作来解析实际的缓存行需要。

编辑：有关缓存关联性的更多信息： http ： //en.wikipedia.org/wiki/CPU_cache#Associativity

---

另一个编辑：我通过perf工具通过硬件事件监控确认了这一点。

我修改了源代码只调用a（）或b（），具体取决于是否存在命令行参数。 时间与原始测试用例相同。

sudo perf record -e dTLB-loads,dTLB-load-misses,dTLB-stores,dTLB-store-misses,iTLB-loads,iTLB-load-misses /tmp/so
a:  6.317755s wall, 6.300000s user + 0.000000s system = 6.300000s CPU (99.7%)
sudo perf report 

4K dTLB-loads
97 dTLB-load-misses
4K dTLB-stores
7 dTLB-store-misses
479 iTLB-loads
142 iTLB-load-misses               

而

sudo perf record -e dTLB-loads,dTLB-load-misses,dTLB-stores,dTLB-store-misses,iTLB-loads,iTLB-load-misses /tmp/so foobar
b:  4.854249s wall, 4.840000s user + 0.000000s system = 4.840000s CPU (99.7%)
sudo perf report 

3K dTLB-loads
87 dTLB-load-misses
3K dTLB-stores
19 dTLB-store-misses
259 iTLB-loads
93 iTLB-load-misses

显示b具有较少的TLB操作，因此不必逐出缓存。 鉴于两者之间的功能在其他方面是相同的，它只能通过别名来解释。

Answer 2

你正在test a和b 。 由于编译器没有理由重新排序两个功能a是渐行渐远的是b从（原） test 。 您还使用模板，因此实际的代码生成比它在C ++源代码中看起来要大得多。

因此，很可能是对指令存储器b进入指令缓存连同test ， a是渐行渐远没有进入高速缓存，因此需要更长的时间，从低了下去缓存或CPU主内存中获取b 。

因此，这可能是因为较长的取指令周期为a比b ， a跑慢b即使实际的代码是一样的，它仅仅是渐行渐远。

某些CPU架构（例如arm cortex-A系列）支持计算缓存未命中数的性能计数器。 像perf这样的工具可以在设置为使用适当的性能计数器时捕获此数据。