内存性能/缓存难题

Question

我有一个记忆表现难题。 我正在尝试确定从主内存中获取字节需要花费多长时间，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，该代码在循环中通过读取另一个缓冲区刷新高速缓存，然后一次一次以不同的步长读取单个字节的目标缓冲区。 我认为，一旦跨度是缓存行大小，这就是我要测量的数量，因为每次读取都会进入主内存。 这是基准代码（请注意，缓冲区的大小为跨度x 1MB，并且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;
}

定时的内部循环组装为：

        // 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机器上运行了此命令，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

这是我的问题：

• 在跨步大于缓存行大小（Sandy Bridge为64字节）之后，为什么性能继续下降？ 我认为一旦跨度足够大以至于每次读取都需要高速缓存行传输，就会出现最差的性能，但是即使在那之后时间也增加了两倍……我在想什么呢？
• 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？ 我每次迭代都会刷新缓存...

Answer 1

高速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页面粒度上。 您的系统几乎可以肯定使用4k页面。

步伐为64，每页可获得64个条目，因此您有16384页。 L2 TLB只能跟踪那些页面中的512，因此您在每个新页面上都会遇到L2 TLB丢失（每第64次访问）。

跨度为1024时，每页有4个条目，因此，您有262144页。 现在，您在第4次访问时会遇到L2 TLB丢失。

tl; dr：TLB的失误正在杀死您。 您可以使用性能计数器直接观察此情况，而不必让Stack Overflow为您读取茶叶。 您还可以使系统使用一个或多个“超级页面”来分配缓冲区，以扩展TLB的范围（尽管不同的系统对此功能的支持程度不同）。

Answer 2

1. 由于预取而导致行大小下降之后，性能会继续下降-只要您稳定地跨过缓存行（甚至跨步），您就可以享受HW预取器带来的接下来几行的好处。 L2流媒体特别有用，因为它比访问流运行得更快。
   但是，一旦跨度超过128字节，就应该在流预取器之前开始运行，这将导致每次访问的全部延迟。
   为确保确实如此-禁用预取（希望您的系统在BIOS中允许这样做）编辑：Stephen也提出了关于访问TLB查找的比率的一个很好的观点-这将占很大的步伐。 如果您绘制每个跨步的时间，我愿意打赌，由于TLB的未命中率，您会看到一个强劲的趋势，最重要的是在64字节和128字节的跨步之间跳跃。

2. 我相信您的第一次迭代会由于TLB冷而变长。 您可以通过尝试刷新（硬..）或运行预热迭代并仅从第二个开始进行测量来对此进行测试。