为什么 _mm_stream_ps 会产生 L1/LL 缓存未命中？

Question

我正在尝试优化计算密集型算法，但遇到了一些缓存问题。我有一个巨大的缓冲区，它偶尔会随机写入，并且在应用程序结束时只读取一次。显然，写入缓冲区会产生大量缓存未命中，并且还会污染随后需要再次进行计算的缓存。我尝试使用非时间移动内在函数，但缓存未命中（由 valgrind 报告并由运行时测量支持）仍然发生。然而，为了进一步研究非时间移动，我编写了一个小测试程序，您可以在下面看到。顺序访问，大缓冲区，仅写入。

#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <smmintrin.h>

void tim(const char *name, void (*func)()) {
    struct timespec t1, t2;
    clock_gettime(CLOCK_REALTIME, &t1);
    func();
    clock_gettime(CLOCK_REALTIME, &t2);
    printf("%s : %f s.\n", name, (t2.tv_sec - t1.tv_sec) + (float) (t2.tv_nsec - t1.tv_nsec) / 1000000000);
}

const int CACHE_LINE = 64;
const int FACTOR = 1024;
float *arr;
int length;

void func1() {
    for(int i = 0; i < length; i++) {
        arr[i] = 5.0f;
    }
}

void func2() {
    for(int i = 0; i < length; i += 4) {
        arr[i] = 5.0f;
        arr[i+1] = 5.0f;
        arr[i+2] = 5.0f;
        arr[i+3] = 5.0f;
    }
}

void func3() {
    __m128 buf = _mm_setr_ps(5.0f, 5.0f, 5.0f, 5.0f);
    for(int i = 0; i < length; i += 4) {
        _mm_stream_ps(&arr[i], buf);
    }
}

void func4() {
    __m128 buf = _mm_setr_ps(5.0f, 5.0f, 5.0f, 5.0f);
    for(int i = 0; i < length; i += 16) {
        _mm_stream_ps(&arr[i], buf);
        _mm_stream_ps(&arr[4], buf);
        _mm_stream_ps(&arr[8], buf);
        _mm_stream_ps(&arr[12], buf);
    }
}

int main() {
    length = CACHE_LINE * FACTOR * FACTOR;

    arr = malloc(length * sizeof(float));
    tim("func1", func1);
    free(arr);

    arr = malloc(length * sizeof(float));
    tim("func2", func2);
    free(arr);

    arr = malloc(length * sizeof(float));
    tim("func3", func3);
    free(arr);

    arr = malloc(length * sizeof(float));
    tim("func4", func4);
    free(arr);

    return 0;
}

函数 1 是简单的方法，函数 2 使用循环展开。函数 3 使用 movntps，实际上至少在我检查 -O0 时它已插入到程序集中。在函数 4 中，我尝试同时发出多个 movntps 指令来帮助 CPU 进行写组合。我使用 gcc -g -lrt -std=gnu99 -OX -msse4.1 test.c 编译了代码，其中 X 是 [0..3] 之一。结果是..充其量是有趣的：

-O0
func1 : 0.407794 s.
func2 : 0.320891 s.
func3 : 0.161100 s.
func4 : 0.401755 s.
-O1
func1 : 0.194339 s.
func2 : 0.182536 s.
func3 : 0.101712 s.
func4 : 0.383367 s.
-O2
func1 : 0.108488 s.
func2 : 0.088826 s.
func3 : 0.101377 s.
func4 : 0.384106 s.
-O3
func1 : 0.078406 s.
func2 : 0.084927 s.
func3 : 0.102301 s.
func4 : 0.383366 s.

正如您所看到的，当程序未经过 gcc 优化时，_mm_stream_ps 比其他程序要快一点，但当 gcc 优化打开时，它的目的就明显失败了。 Valgrind 仍然报告大量缓存写入未命中。

因此，问题是：为什么即使我使用 NTA 流指令，那些 (L1+LL) 缓存未命中仍然会发生？为什么特别是 func4 这么慢？！有人可以解释/推测这里发生了什么吗？

Answer 1

1. 您的基准测试可能主要衡量内存分配性能，而不仅仅是写入性能。您的操作系统可能不在 malloc 中分配内存页，而是在第一次接触时在 func* 函数内分配内存页。分配大量内存后，操作系统也可能会进行一些内存洗牌，因此在内存分配后立即执行的任何基准测试可能不可靠。
2. 您的代码存在别名问题：编译器无法保证您的数组指针在填充此过程中不会更改数组，因此它必须始终从内存加载 arr 值，而不是使用寄存器。这可能会降低一些性能。避免别名的最简单方法是将 arr 和 length 复制到局部变量，并仅使用局部变量来填充数组。有许多众所周知的建议可以避免使用全局变量。别名是原因之一。
3. 如果数组按 64 字节对齐，_mm_stream_ps 效果会更好。在您的代码中，不保证对齐（实际上，malloc 将其对齐 16 个字节）。这种优化仅对于短数组才显着。
4. 最好在使用 _mm_stream_ps 后调用 _mm_mfence。这是为了正确性所需要的，而不是为了性能。

Answer 2

func4 不应该是这样的：

void func4() {
    __m128 buf = _mm_setr_ps(5.0f, 5.0f, 5.0f, 5.0f);
    for(int i = 0; i < length; i += 16) {
        _mm_stream_ps(&arr[i], buf);
        _mm_stream_ps(&arr[i+4], buf);
        _mm_stream_ps(&arr[i+8], buf);
        _mm_stream_ps(&arr[i+12], buf);
    }
}