c++ - 为什么增加阵列对齐会降低性能？

Question

我正在尝试将综合测试中的阵列对齐从 16 增加到 32，性能从 ~4100ms 降低到 ~4600ms。更高的对齐度会对性能造成多大的损害？

下面是我用于测试的代码(我在这里尝试使用 avx 指令)。使用 g++ test.cpp -O2 -ftree-vectorize -mavx2 构建(我不支持 avx512)。

#include <chrono>
#include <iostream>
#include <memory>
#include <cassert>
#include <cstring>
#include <cstdlib>

using Time = std::chrono::time_point<std::chrono::system_clock>;
using Clock = std::chrono::system_clock;

template <typename Duration>
auto as_ms(Duration const& duration) {
    return std::chrono::duration_cast<std::chrono::milliseconds>(duration);
}

static const int repeats = 10000;

struct I {
    static const int size = 524288;
    int* pos;
    I() : pos(new int[size]) { for (int i = 0; i != size; ++i) { pos[i] = i; } }
    ~I() { delete pos; } 
};

static const int align = 16; // try to change here 16 (4100 ms) / 32 (4600 ms)

struct S {
    static const int size = I::size;
    alignas(align) float data[size];
    S() { for (int i = 0; i != size; ++i) { data[i] = (i * 7 + 11) % 2; } }
};

void foo(const I& p, S& a, S& b) {
    const int chunk = 32;
    alignas(align) float aprev[chunk];
    alignas(align) float anext[chunk];
    alignas(align) float bprev[chunk];
    alignas(align) float bnext[chunk];
    const int N = S::size / chunk;
    for (int j = 0; j != repeats; ++j) {
        for (int i = 1; i != N-1; i++) {
            int ind = p.pos[i] * chunk;
            std::memcpy(aprev, &a.data[ind-1], sizeof(float) * chunk);
            std::memcpy(anext, &a.data[ind+1], sizeof(float) * chunk);
            std::memcpy(bprev, &b.data[ind-1], sizeof(float) * chunk);
            std::memcpy(bnext, &b.data[ind+1], sizeof(float) * chunk);
            for (int k = 0; k < chunk; ++k) {
                int ind0 = ind + k;
                a.data[ind0] = (b.data[ind0] - 1.0f) * aprev[k] * a.data[ind0] * bnext[k] + a.data[ind0] * anext[k] * (bprev[k] - 1.0f);
            }
        }
    }
}

int main() {
    S a, b;
    I p;
    Time start = Clock::now();
    foo(p, a, b);
    Time end = Clock::now();
    std::cout << as_ms(end - start).count() << std::endl;
    float sum = 0;
    for (int i = 0; i != S::size; ++i) {
        sum += a.data[i];
    }
    return sum;
}

---

检查缓存是否导致问题:

valgrind --tool=cachegrind ./a.out

对齐 = 16:

==4352== I   refs:      3,905,614,100
==4352== I1  misses:            1,626
==4352== LLi misses:            1,579
==4352== I1  miss rate:          0.00%
==4352== LLi miss rate:          0.00%
==4352== 
==4352== D   refs:      2,049,454,623  (1,393,712,296 rd   + 655,742,327 wr)
==4352== D1  misses:       66,707,929  (   66,606,998 rd   +     100,931 wr)
==4352== LLd misses:       66,681,897  (   66,581,942 rd   +      99,955 wr)
==4352== D1  miss rate:           3.3% (          4.8%     +         0.0%  )
==4352== LLd miss rate:           3.3% (          4.8%     +         0.0%  )
==4352== 
==4352== LL refs:          66,709,555  (   66,608,624 rd   +     100,931 wr)
==4352== LL misses:        66,683,476  (   66,583,521 rd   +      99,955 wr)
==4352== LL miss rate:            1.1% (          1.3%     +         0.0%  )

对齐 = 32

==4426== I   refs:      2,857,165,049
==4426== I1  misses:            1,604
==4426== LLi misses:            1,560
==4426== I1  miss rate:          0.00%
==4426== LLi miss rate:          0.00%
==4426== 
==4426== D   refs:      1,558,058,149  (967,779,295 rd   + 590,278,854 wr)
==4426== D1  misses:       66,706,930  ( 66,605,998 rd   +     100,932 wr)
==4426== LLd misses:       66,680,898  ( 66,580,942 rd   +      99,956 wr)
==4426== D1  miss rate:           4.3% (        6.9%     +         0.0%  )
==4426== LLd miss rate:           4.3% (        6.9%     +         0.0%  )
==4426== 
==4426== LL refs:          66,708,534  ( 66,607,602 rd   +     100,932 wr)
==4426== LL misses:        66,682,458  ( 66,582,502 rd   +      99,956 wr)
==4426== LL miss rate:            1.5% (        1.7%     +         0.0%  )

似乎问题不在缓存中。

---

检查该问题不在 Turbo Boost 中。

对齐:16 --> 32

启用 Turbo Boost :~4100ms --> ~4600ms

Turbo Boost 禁用:~5000ms --> ~5400ms

Answer 1

不是答案，但我在 Haswell E5-2680v3 上使用 GNU g++ 6.4.0 和 Intel icpc 18.0.1 进行了一些测量。所有时间都非常一致，只有几毫秒的偏差:

1. g++ -O2 -mavx2 -ftree-vectorize align=16: 6.99 [s]
2. g++ -O2 -mavx2 -ftree-vectorize align=32: 6.67 [s]
3. g++ -O3 -mavx2 -ftree-vectorize align=16: 6.72 [s]
4. g++ -O3 -mavx2 -ftree-vectorize align=32: 6.60 [s]
5. g++ -O2 -march=haswell -ftree-vectorize align=16: 6.45 [s]
6. g++ -O2 -march=haswell -ftree-vectorize align=32: 6.45 [s]
7. g++ -O3 -march=haswell -ftree-vectorize align=16: 6.44 [s]
8. g++ -O3 -march=haswell -ftree-vectorize align=32: 6.44 [s]
9. icpc -O2 -xCORE-AVX2 align=16: 3.67 [s]
10. icpc -O2 -xCORE-AVX2 align=32: 3.51 [s]
11. icpc -O3 -xCORE-AVX2 align=16: 3.65 [s]
12. icpc -O3 -xCORE-AVX2 align=32: 3.59 [s]

结论:

• 对于 GCC，-march=haswell 比 -mavx2 更快，对于 -march=haswell，实际上对优化级别和对齐方式。
• ICC 提供比 GCC 低得多的运行时间/更高的性能。
• 对于 ICC，正确对齐有帮助，但作用不大。
• 有趣的是，具有更高优化级别的 ICC 提供了更长的运行时间，但这可能归因于更大的程序大小，因此更多的指令缓存未命中。

根据我的经验，ICC 通常比 GCC 好得多，至少在矢量化方面是这样。我没有研究生成的机器代码，但可以使用 Godbolt 等来了解为什么 ICC 在这种情况下如此出色。