Das Ersetzen eines 32-Bit-Schleifenzählers durch 64-Bit führt zu verrückten Leistungsabweichungen

Ich war auf der Suche nach dem schnellsten Weg, große Datenmengen zu popcount. Ich habe einen sehr seltsamen Effekt festgestellt: Durch Ändern der Schleifenvariablen von unsigned in uint64_t ist die Leistung auf meinem PC um 50% gesunken.

Der Benchmark

#include <iostream>
#include <chrono>
#include <x86intrin.h>

int main(int argc, char* argv[]) {

    using namespace std;
    if (argc != 2) {
       cerr << "usage: array_size in MB" << endl;
       return -1;
    }

    uint64_t size = atol(argv[1])<<20;
    uint64_t* buffer = new uint64_t[size/8];
    char* charbuffer = reinterpret_cast<char*>(buffer);
    for (unsigned i=0; i<size; ++i)
        charbuffer[i] = Rand()%256;

    uint64_t count,duration;
    chrono::time_point<chrono::system_clock> startP,endP;
    {
        startP = chrono::system_clock::now();
        count = 0;
        for( unsigned k = 0; k < 10000; k++){
            // Tight unrolled loop with unsigned
            for (unsigned i=0; i<size/8; i+=4) {
                count += _mm_popcnt_u64(buffer[i]);
                count += _mm_popcnt_u64(buffer[i+1]);
                count += _mm_popcnt_u64(buffer[i+2]);
                count += _mm_popcnt_u64(buffer[i+3]);
            }
        }
        endP = chrono::system_clock::now();
        duration = chrono::duration_cast<std::chrono::nanoseconds>(endP-startP).count();
        cout << "unsigned\t" << count << '\t' << (duration/1.0E9) << " sec \t"
             << (10000.0*size)/(duration) << " GB/s" << endl;
    }
    {
        startP = chrono::system_clock::now();
        count=0;
        for( unsigned k = 0; k < 10000; k++){
            // Tight unrolled loop with uint64_t
            for (uint64_t i=0;i<size/8;i+=4) {
                count += _mm_popcnt_u64(buffer[i]);
                count += _mm_popcnt_u64(buffer[i+1]);
                count += _mm_popcnt_u64(buffer[i+2]);
                count += _mm_popcnt_u64(buffer[i+3]);
            }
        }
        endP = chrono::system_clock::now();
        duration = chrono::duration_cast<std::chrono::nanoseconds>(endP-startP).count();
        cout << "uint64_t\t"  << count << '\t' << (duration/1.0E9) << " sec \t"
             << (10000.0*size)/(duration) << " GB/s" << endl;
    }

    free(charbuffer);
}

Wie Sie sehen, erstellen wir einen Puffer mit zufälligen Daten mit der Größe x Megabyte, wobei x von der Befehlszeile gelesen wird. Anschließend durchlaufen wir den Puffer und verwenden eine nicht gerollte Version von x86 popcount, um den Popcount durchzuführen. Um ein genaueres Ergebnis zu erhalten, führen wir die Zählung 10.000 Mal durch. Wir messen die Zeiten für die Popcount. Im Großbuchstaben ist die innere Schleifenvariable unsigned, im Kleinbuchstaben ist die innere Schleifenvariable uint64_t. Ich dachte, dass dies keinen Unterschied machen sollte, aber das Gegenteil ist der Fall.

Das (absolut verrückte) Ergebnis

Ich kompiliere es so (g ++ Version: Ubuntu 4.8.2-19ubuntu1):

g++ -O3 -march=native -std=c++11 test.cpp -o test

Hier sind die Ergebnisse auf meiner HaswellCore i7-4770K CPU bei 3,50 GHz, die test 1 ausführt (also 1 MB zufällige Daten):

• vorzeichenlos 41959360000 0,401554 Sek. 26,113 GB/s
• uint64_t 41959360000 0,759822 sec 13,8003 GB/s

Wie Sie sehen, ist der Durchsatz der uint64_t-Version nur die Hälfte der der unsigned-Version! Das Problem scheint zu sein, dass unterschiedliche Assemblys generiert werden, aber warum? Zuerst dachte ich an einen Compiler-Fehler und versuchte es mit clang++ (Ubuntu Clang Version 3.4-1ubuntu3):

clang++ -O3 -march=native -std=c++11 teest.cpp -o test

Ergebnis: test 1

• vorzeichenlos 41959360000 0,398293 Sek. 26,3267 GB/s
• uint64_t 41959360000 0,680954 sec 15,3986 GB/s

So ist es fast das gleiche Ergebnis und ist immer noch seltsam. Aber jetzt wird es sehr seltsam. Ich ersetze die Puffergröße, die von der Eingabe gelesen wurde, durch eine Konstante 1, also ändere ich:

uint64_t size = atol(argv[1]) << 20;

zu

uint64_t size = 1 << 20;

Somit kennt der Compiler jetzt die Puffergröße zur Kompilierzeit. Vielleicht kann es einige Optimierungen hinzufügen! Hier sind die Zahlen für g++:

• vorzeichenlos 41959360000 0,509156 Sek. 20,5944 GB/s
• uint64_t 41959360000 0,508673 Sek. 20,6139 GB/s

Jetzt sind beide Versionen gleich schnell. Die unsignedwurde noch langsamer! Es ist von 26 auf 20 GB/s gefallen, wodurch das Ersetzen einer Nichtkonstanten durch einen konstanten Wert zu einer Deoptimierung führte. Im Ernst, ich habe keine Ahnung, was hier los ist! Nun aber zu clang++ mit der neuen Version:

• unsigned 41959360000 0,677009 sec 15,4884 GB/s
• uint64_t 41959360000 0,676909 sec 15,4906 GB/s

Warten Sie, was? Nun fielen beide Versionen auf die langsam Zahl von 15 GB/s. Daher führt das Ersetzen einer Nichtkonstante durch einen konstanten Wert in beiden Fällen für Clang sogar zu langsamem Code!

Ich habe einen Kollegen mit einer Ivy Bridge CPU gebeten, meinen Benchmark zu kompilieren. Er hat ähnliche Ergebnisse erzielt, es scheint also nicht Haswell zu sein. Da zwei Compiler hier seltsame Ergebnisse liefern, scheint es sich auch nicht um einen Compilerfehler zu handeln. Wir haben hier keine AMD-CPU, daher konnten wir nur mit Intel testen.

Noch mehr Wahnsinn, bitte!

Nehmen Sie das erste Beispiel (das mit atol(argv[1])) und setzen Sie ein static vor die Variable, d. H .:

static uint64_t size=atol(argv[1])<<20;

Hier sind meine Ergebnisse in g ++:

• vorzeichenlos 41959360000 0,396728 Sek. 26,4306 GB/s
• uint64_t 41959360000 0,509484 Sek. 20,5811 GB/s

Ja, noch eine Alternative . Wir haben immer noch die schnellen 26 GB/s mit u32, aber wir haben es geschafft, u64 zumindest von den 13 GB/s auf die 20 GB/s-Version zu bringen! Auf dem PC meines Kollegen wurde die u64 -Version sogar schneller als die u32 -Version und lieferte das schnellste Ergebnis von allen. Leider funktioniert dies nur für g++, clang++ scheint sich nicht um static zu kümmern.

Meine Frage

Können Sie diese Ergebnisse erklären? Insbesondere:

• Wie kann es einen solchen Unterschied zwischen u32 und u64 geben?
• Wie kann das Ersetzen einer Nichtkonstanten durch eine Konstante der Puffergröße einen weniger optimalen Code auslösen?
• Wie kann das Einfügen des Schlüsselworts static die Schleife u64 beschleunigen? Noch schneller als der Originalcode auf dem Computer meines Kollegen!

Ich weiß, dass Optimierung ein heikles Gebiet ist, aber ich hätte nie gedacht, dass so kleine Änderungen zu einem Unterschied von 100% in der Ausführungszeit führen können und dass kleine Faktoren wie eine konstante Puffergröße die Ergebnisse wieder vollständig vermischen können. Natürlich möchte ich immer die Version haben, die 26 GB/s zählen kann. Die einzige zuverlässige Möglichkeit, die mir in den Sinn kommt, besteht darin, die Assembly für diesen Fall zu kopieren, einzufügen und die Inline-Assembly zu verwenden. Nur so kann ich Compiler loswerden, die bei kleinen Änderungen verrückt zu werden scheinen. Was denkst du? Gibt es eine andere Möglichkeit, den Code mit der höchsten Leistung zuverlässig abzurufen?

Die Demontage

Hier ist die Demontage für die verschiedenen Ergebnisse:

26 GB/s-Version von g ++/u32/non-const bufsize:

0x400af8:
lea 0x1(%rdx),%eax
popcnt (%rbx,%rax,8),%r9
lea 0x2(%rdx),%edi
popcnt (%rbx,%rcx,8),%rax
lea 0x3(%rdx),%esi
add %r9,%rax
popcnt (%rbx,%rdi,8),%rcx
add $0x4,%edx
add %rcx,%rax
popcnt (%rbx,%rsi,8),%rcx
add %rcx,%rax
mov %edx,%ecx
add %rax,%r14
cmp %rbp,%rcx
jb 0x400af8

13 GB/s-Version von g ++/u64/non-const bufsize:

0x400c00:
popcnt 0x8(%rbx,%rdx,8),%rcx
popcnt (%rbx,%rdx,8),%rax
add %rcx,%rax
popcnt 0x10(%rbx,%rdx,8),%rcx
add %rcx,%rax
popcnt 0x18(%rbx,%rdx,8),%rcx
add $0x4,%rdx
add %rcx,%rax
add %rax,%r12
cmp %rbp,%rdx
jb 0x400c00

15 GB/s-Version von clang ++/u64/non-const bufsize:

0x400e50:
popcnt (%r15,%rcx,8),%rdx
add %rbx,%rdx
popcnt 0x8(%r15,%rcx,8),%rsi
add %rdx,%rsi
popcnt 0x10(%r15,%rcx,8),%rdx
add %rsi,%rdx
popcnt 0x18(%r15,%rcx,8),%rbx
add %rdx,%rbx
add $0x4,%rcx
cmp %rbp,%rcx
jb 0x400e50

20 GB/s-Version von g ++/u32 & u64/const bufsize:

0x400a68:
popcnt (%rbx,%rdx,1),%rax
popcnt 0x8(%rbx,%rdx,1),%rcx
add %rax,%rcx
popcnt 0x10(%rbx,%rdx,1),%rax
add %rax,%rcx
popcnt 0x18(%rbx,%rdx,1),%rsi
add $0x20,%rdx
add %rsi,%rcx
add %rcx,%rbp
cmp $0x100000,%rdx
jne 0x400a68

15 GB/s-Version von clang ++/u32 & u64/const bufsize:

0x400dd0:
popcnt (%r14,%rcx,8),%rdx
add %rbx,%rdx
popcnt 0x8(%r14,%rcx,8),%rsi
add %rdx,%rsi
popcnt 0x10(%r14,%rcx,8),%rdx
add %rsi,%rdx
popcnt 0x18(%r14,%rcx,8),%rbx
add %rdx,%rbx
add $0x4,%rcx
cmp $0x20000,%rcx
jb 0x400dd0

Interessanterweise ist die schnellste (26 GB/s) Version auch die längste! Es scheint die einzige Lösung zu sein, die lea verwendet. Einige Versionen verwenden jb, um zu springen, andere verwenden jne. Ansonsten scheinen alle Versionen vergleichbar zu sein. Ich verstehe nicht, woher eine 100% ige Leistungslücke stammen könnte, bin aber nicht so geschickt darin, Assembly zu entschlüsseln. Die langsamste (13 GB/s) Version sieht sogar sehr kurz und gut aus. Kann mir jemand das erklären?

Gewonnene Erkenntnisse

Egal wie die Antwort auf diese Frage sein wird; Ich habe gelernt, dass in wirklich heißen Schleifen jedes Detail eine Rolle spielen kann, sogar Details, die keine Assoziation mit dem heißen Code zu haben scheinen . Ich habe nie darüber nachgedacht, welchen Typ ich für eine Schleifenvariable verwenden soll, aber wie Sie sehen, kann eine so geringfügige Änderung einen Unterschied von 100% bewirken! Sogar der Speichertyp eines Puffers kann einen großen Unterschied machen, wie wir beim Einfügen des Schlüsselworts static vor der Variablen size gesehen haben! In Zukunft werde ich immer verschiedene Alternativen auf verschiedenen Compilern testen, wenn ich wirklich enge und heiße Schleifen schreibe, die für die Systemleistung entscheidend sind.

Das Interessante ist auch, dass der Leistungsunterschied immer noch so hoch ist, obwohl ich die Schleife bereits vier Mal abgerollt habe. Selbst wenn Sie sich abrollen, können Sie immer noch von großen Leistungsabweichungen getroffen werden. Ziemlich interessant.