這篇 CPU Cache,估計(jì)也沒(méi)人看
無(wú)論你寫什么樣的代碼都會(huì)交給 CPU 來(lái)執(zhí)行,所以,如果你想寫出性能比較高的代碼,這篇文章中提到的技術(shù)還是值得認(rèn)真學(xué)習(xí)的。另外,千萬(wàn)別覺(jué)得這些東西沒(méi)用,這些東西非常有用,十多年前就是這些知識(shí)在性能調(diào)優(yōu)上幫了我的很多大忙,從而跟很多人拉開(kāi)了差距……
基礎(chǔ)知識(shí)
首先,我們都知道現(xiàn)在的 CPU 多核技術(shù),都會(huì)有幾級(jí)緩存,老的 CPU 會(huì)有兩級(jí)內(nèi)存(L1 和 L2),新的CPU會(huì)有三級(jí)內(nèi)存(L1,L2,L3 ),如下圖所示:
- L1 緩存分成兩種,一種是指令緩存,一種是數(shù)據(jù)緩存。L2 緩存和 L3 緩存不分指令和數(shù)據(jù)。
- L1 和 L2 緩存在每一個(gè) CPU 核中,L3 則是所有 CPU 核心共享的內(nèi)存。
- L1、L2、L3 的越離CPU近就越小,速度也越快,越離 CPU 遠(yuǎn),速度也越慢。
- L1 的存取速度:4 個(gè)CPU時(shí)鐘周期
- L2 的存取速度:11 個(gè)CPU時(shí)鐘周期
- L3 的存取速度:39 個(gè)CPU時(shí)鐘周期
- RAM內(nèi)存的存取速度 :107 個(gè)CPU時(shí)鐘周期
- 一個(gè)方面是物理速度,如果要更大的容量就需要更多的晶體管,除了芯片的體積會(huì)變大,更重要的是大量的晶體管會(huì)導(dǎo)致速度下降,因?yàn)樵L問(wèn)速度和要訪問(wèn)的晶體管所在的位置成反比,也就是當(dāng)信號(hào)路徑變長(zhǎng)時(shí),通信速度會(huì)變慢。這部分是物理問(wèn)題。
- 另外一個(gè)問(wèn)題是,多核技術(shù)中,數(shù)據(jù)的狀態(tài)需要在多個(gè)CPU中進(jìn)行同步,并且,我們可以看到,cache 和RAM 的速度差距太大,所以,多級(jí)不同尺寸的緩存有利于提高整體的性能。
- 一個(gè)是比較簡(jiǎn)單的緩存的命中率的問(wèn)題。
- 另一個(gè)是比較復(fù)雜的緩存更新的一致性問(wèn)題。
緩存的命中
在說(shuō)明這兩個(gè)問(wèn)題之前。我們需要要解一個(gè)術(shù)語(yǔ) Cache Line。緩存基本上來(lái)說(shuō)就是把后面的數(shù)據(jù)加載到離自己近的地方,對(duì)于 CPU 來(lái)說(shuō),它是不會(huì)一個(gè)字節(jié)一個(gè)字節(jié)的加載的,因?yàn)檫@非常沒(méi)有效率,一般來(lái)說(shuō)都是要一塊一塊的加載的,對(duì)于這樣的一塊一塊的數(shù)據(jù)單位,術(shù)語(yǔ)叫 Cache Line,
- 一種方法是,任何一個(gè)內(nèi)存地址的數(shù)據(jù)可以被緩存在任何一個(gè) Cache Line 里,這種方法是最靈活的,但是,如果我們要知道一個(gè)內(nèi)存是否存在于 Cache 中,我們就需要進(jìn)行 O(n) 復(fù)雜度的 Cache 遍歷,這是很沒(méi)有效率的。
-
另一種方法,為了降低緩存搜索算法,我們需要使用像Hash Table這樣的數(shù)據(jù)結(jié)構(gòu),最簡(jiǎn)單的hash table就是做求模運(yùn)算,比如:我們的 L1 Cache 有 512 個(gè) Cache Line,那么,公式:
(內(nèi)存地址 mod 512)* 64就可以直接找到所在的Cache地址的偏移了。但是,這樣的方式需要我們的程序?qū)?nèi)存地址的訪問(wèn)要非常地平均,不然沖突就會(huì)非常嚴(yán)重。這成了一種非常理想的情況了。
-
為了避免上述的兩種方案的問(wèn)題,于是就要容忍一定的hash沖突,也就出現(xiàn)了 N-Way 關(guān)聯(lián)。也就是把連續(xù)的N 個(gè) Cache Line 綁成一組,然后,先把找到相關(guān)的組,然后再在這個(gè)組內(nèi)找到相關(guān)的 Cache Line。這叫 Set Associativity。如下圖所示。
對(duì)于 N-Way 組關(guān)聯(lián),可能有點(diǎn)不好理解,這里個(gè)例子,并多說(shuō)一些細(xì)節(jié)(不然后面的代碼你會(huì)不能理解),Intel 大多數(shù)處理器的 L1 Cache 都是 32KB,8-Way 組相聯(lián),Cache Line 是 64 Bytes。這意味著,
-
32KB的可以分成,32KB / 64 = 512 條 Cache Line。
-
因?yàn)橛? Way,于是會(huì)每一Way 有 512 / 8 = 64 條 Cache Line。
-
于是每一路就有 64 x 64 = 4096 Byts 的內(nèi)存。
為了方便索引內(nèi)存地址,
-
Tag:每條 Cache Line 前都會(huì)有一個(gè)獨(dú)立分配的 24 bits來(lái)存的 tag,其就是內(nèi)存地址的前24bits
-
Index:內(nèi)存地址后續(xù)的 6 個(gè) bits 則是在這一 Way 的是Cache Line 索引,2^6 = 64 剛好可以索引64條Cache Line
-
Offset:再往后的 6bits 用于表示在 Cache Line 里的偏移量
如下圖所示:(圖片來(lái)自《Cache: a place for concealment and safekeeping》)
當(dāng)拿到一個(gè)內(nèi)存地址的時(shí)候,先拿出中間的 6bits 來(lái),找到是哪組。
然后,在這一個(gè) 8 組的 cache line 中,再進(jìn)行 O(n) n=8 的遍歷,主是要匹配前 24bits 的 tag。如果匹配中了,就算命中,如果沒(méi)有匹配到,那就是 cache miss,如果是讀操作,就需要進(jìn)向后面的緩存進(jìn)行訪問(wèn)了。
L2/L3 同樣是這樣的算法。而淘汰算法有兩種,一種是隨機(jī)一種是 LRU?,F(xiàn)在一般都是以 LRU 的算法(通過(guò)增加一個(gè)訪問(wèn)計(jì)數(shù)器來(lái)實(shí)現(xiàn))
這也意味著:
-
L1 Cache 可映射 36bits 的內(nèi)存地址,一共 2^36 = 64GB 的內(nèi)存
-
當(dāng) CPU 要訪問(wèn)一個(gè)內(nèi)存的時(shí)候,通過(guò)這個(gè)內(nèi)存中間的 6bits 定位是哪個(gè) set,通過(guò)前 24bits 定位相應(yīng)的Cache Line。
-
就像一個(gè) hash Table 的數(shù)據(jù)結(jié)構(gòu)一樣,先是 O(1)的索引,然后進(jìn)入沖突搜索。
-
因?yàn)橹虚g的 6bits 決定了一個(gè)同一個(gè) set,所以,對(duì)于一段連續(xù)的內(nèi)存來(lái)說(shuō),每隔 4096 的內(nèi)存會(huì)被放在同一個(gè)組內(nèi),導(dǎo)致緩存沖突。
此外,當(dāng)有數(shù)據(jù)沒(méi)有命中緩存的時(shí)候,CPU 就會(huì)以最小為 Cache Line 的單元向內(nèi)存更新數(shù)據(jù)。當(dāng)然,CPU 并不一定只是更新 64Bytes,因?yàn)樵L問(wèn)主存實(shí)在是太慢了,所以,一般都會(huì)多更新一些。好的 CPU 會(huì)有一些預(yù)測(cè)的技術(shù),如果找到一種 pattern 的話,就會(huì)預(yù)先加載更多的內(nèi)存,包括指令也可以預(yù)加載。
這叫 Prefetching 技術(shù) (參看,Wikipedia 的 Cache Prefetching 和 紐約州立大學(xué)的 Memory Prefetching)。比如,你在for-loop訪問(wèn)一個(gè)連續(xù)的數(shù)組,你的步長(zhǎng)是一個(gè)固定的數(shù),內(nèi)存就可以做到prefetching。(注:指令也是以預(yù)加載的方式執(zhí)行)
了解這些細(xì)節(jié),會(huì)有利于我們知道在什么情況下有可以導(dǎo)致緩存的失效。
緩存的一致性
對(duì)于主流的 CPU 來(lái)說(shuō),緩存的寫操作基本上是兩種策略,
-
一種是 Write Back,寫操作只要在 cache 上,然后再 flush 到內(nèi)存上。
-
一種是 Write Through,寫操作同時(shí)寫到 cache 和內(nèi)存上。
為了提高寫的性能,一般來(lái)說(shuō),主流的 CPU(如:Intel Core i7/i9)采用的是 Write Back 的策略,因?yàn)橹苯訉憙?nèi)存實(shí)在是太慢了。
好了,現(xiàn)在問(wèn)題來(lái)了,如果有一個(gè)數(shù)據(jù) x 在 CPU 第 0 核的緩存上被更新了,那么其它 CPU 核上對(duì)于這個(gè)數(shù)據(jù) x 的值也要被更新,這就是緩存一致性的問(wèn)題。(當(dāng)然,對(duì)于我們上層的程序我們不用關(guān)心 CPU 多個(gè)核的緩存是怎么同步的,這對(duì)上層的代碼來(lái)說(shuō)都是透明的)
一般來(lái)說(shuō),在 CPU 硬件上,會(huì)有兩種方法來(lái)解決這個(gè)問(wèn)題。
-
Directory 協(xié)議。這種方法的典型實(shí)現(xiàn)是要設(shè)計(jì)一個(gè)集中式控制器,它是主存儲(chǔ)器控制器的一部分。其中有一個(gè)目錄存儲(chǔ)在主存儲(chǔ)器中,其中包含有關(guān)各種本地緩存內(nèi)容的全局狀態(tài)信息。當(dāng)單個(gè) CPU Cache 發(fā)出讀寫請(qǐng)求時(shí),這個(gè)集中式控制器會(huì)檢查并發(fā)出必要的命令,以在主存和 CPU Cache之間或在 CPU Cache自身之間進(jìn)行數(shù)據(jù)同步和傳輸。
-
Snoopy 協(xié)議。這種協(xié)議更像是一種數(shù)據(jù)通知的總線型的技術(shù)。CPU Cache 通過(guò)這個(gè)協(xié)議可以識(shí)別其它Cache上的數(shù)據(jù)狀態(tài)。如果有數(shù)據(jù)共享的話,可以通過(guò)廣播機(jī)制將共享數(shù)據(jù)的狀態(tài)通知給其它 CPU Cache。這個(gè)協(xié)議要求每個(gè) CPU Cache 都可以窺探數(shù)據(jù)事件的通知并做出相應(yīng)的反應(yīng)。如下圖所示,有一個(gè) Snoopy Bus 的總線。
因?yàn)?Directory 協(xié)議是一個(gè)中心式的,會(huì)有性能瓶頸,而且會(huì)增加整體設(shè)計(jì)的復(fù)雜度。而 Snoopy 協(xié)議更像是微服務(wù) 消息通訊,所以,現(xiàn)在基本都是使用 Snoopy 的總線的設(shè)計(jì)。
這里,我想多寫一些細(xì)節(jié),因?yàn)檫@種微觀的東西,讓人不自然地就會(huì)跟分布式系統(tǒng)關(guān)聯(lián)起來(lái),在分布式系統(tǒng)中我們一般用 Paxos/Raft 這樣的分布式一致性的算法。
而在 CPU 的微觀世界里,則不必使用這樣的算法,原因是因?yàn)?CPU 的多個(gè)核的硬件不必考慮網(wǎng)絡(luò)會(huì)斷會(huì)延遲的問(wèn)題。所以,CPU 的多核心緩存間的同步的核心就是要管理好數(shù)據(jù)的狀態(tài)就好了。
這里介紹幾個(gè)狀態(tài)協(xié)議,先從最簡(jiǎn)單的開(kāi)始,MESI 協(xié)議,這個(gè)協(xié)議跟那個(gè)著名的足球運(yùn)動(dòng)員梅西沒(méi)什么關(guān)系,其主要表示緩存數(shù)據(jù)有四個(gè)狀態(tài):Modified(已修改), Exclusive(獨(dú)占的),Shared(共享的),Invalid(無(wú)效的)。
這些狀態(tài)的狀態(tài)機(jī)如下所示(有點(diǎn)復(fù)雜,你可以先不看,這個(gè)圖就是想告訴你狀態(tài)控制有多復(fù)雜):
下面是個(gè)示例(如果你想看一下動(dòng)畫演示的話,這里有一個(gè)網(wǎng)頁(yè)(MESI Interactive Animations),你可以進(jìn)行交互操作,這個(gè)動(dòng)畫演示中使用的 Write Through 算法):
當(dāng)前操作
CPU0
CPU1
Memory
說(shuō)明
1) CPU0 read(x)
x=1 (E)
x=1
只有一個(gè)CPU有 x 變量, 所以,狀態(tài)是 Exclusive
2) CPU1 read(x)
x=1 (S)
x=1(S)
x=1
有兩個(gè)CPU都讀取 x 變量, 所以狀態(tài)變成 Shared
3) CPU0 write(x,9)
x=9 (M)
x=1(I)
x=1
變量改變,在CPU0中狀態(tài) 變成 Modified,在CPU1中 狀態(tài)變成 Invalid
4) 變量 x 寫回內(nèi)存
x=9 (M)
X=1(I)
x=9
目前的狀態(tài)不變
5) CPU1 read(x)
x=9 (S)
x=9(S)
x=9
變量同步到所有的Cache中, 狀態(tài)回到Shared
MESI 這種協(xié)議在數(shù)據(jù)更新后,會(huì)標(biāo)記其它共享的 CPU 緩存的數(shù)據(jù)拷貝為 Invalid 狀態(tài),然后當(dāng)其它 CPU 再次read 的時(shí)候,就會(huì)出現(xiàn) cache miss 的問(wèn)題,此時(shí)再?gòu)膬?nèi)存中更新數(shù)據(jù)。從內(nèi)存中更新數(shù)據(jù)意味著 20 倍速度的降低。
我們能不能直接從我隔壁的 CPU 緩存中更新?是的,這就可以增加很多速度了,但是狀態(tài)控制也就變麻煩了。還需要多來(lái)一個(gè)狀態(tài):Owner(宿主),用于標(biāo)記,我是更新數(shù)據(jù)的源。于是,出現(xiàn)了 MOESI 協(xié)議
MOESI 協(xié)議的狀態(tài)機(jī)和演示示例我就不貼了(有興趣可以上Berkeley上看看相關(guān)的課件),我們只需要理解MOESI協(xié)議允許 CPU Cache 間同步數(shù)據(jù),于是也降低了對(duì)內(nèi)存的操作,性能是非常大的提升,但是控制邏輯也非常復(fù)雜。
順便說(shuō)一下,與 MOESI 協(xié)議類似的一個(gè)協(xié)議是 MESIF,其中的 F 是 Forward,同樣是把更新過(guò)的數(shù)據(jù)轉(zhuǎn)發(fā)給別的 CPU Cache 但是,MOESI 中的 Owner 狀態(tài) 和MESIF 中的 Forward 狀態(tài)有一個(gè)非常大的不一樣—— Owner 狀態(tài)下的數(shù)據(jù)是 dirty 的,還沒(méi)有寫回內(nèi)存,F(xiàn)orward 狀態(tài)下的數(shù)據(jù)是 clean的,可以丟棄而不用另行通知。
需要說(shuō)明的是,AMD 用 MOESI,Intel 用 MESIF。所以,F(xiàn) 狀態(tài)主要是針對(duì) CPU L3 Cache 設(shè)計(jì)的(前面我們說(shuō)過(guò),L3 是所有 CPU 核心共享的)。(相關(guān)的比較可以參看StackOverlow上這個(gè)問(wèn)題的答案)
程序性能
了解了我們上面的這些東西后,我們來(lái)看一下對(duì)于程序的影響。
示例一
首先,假設(shè)我們有一個(gè)64M長(zhǎng)的數(shù)組,設(shè)想一下下面的兩個(gè)循環(huán):
const int LEN = 64*1024*1024;
int *arr = new int[LEN];
for (int i = 0; i < LEN; i = 2) arr[i] *= i;
for (int i = 0; i < LEN; i = 8) arr[i] *= i;
按我們的想法來(lái)看,第二個(gè)循環(huán)要比第一個(gè)循環(huán)少4倍的計(jì)算量,其應(yīng)該也是要快4倍的。但實(shí)際跑下來(lái)并不是,在我的機(jī)器上,第一個(gè)循環(huán)需要 127 毫秒,第二個(gè)循環(huán)則需要 121 毫秒,相差無(wú)幾。
這里最主要的原因就是 Cache Line,因?yàn)?CPU 會(huì)以一個(gè) Cache Line 64Bytes 最小時(shí)單位加載,也就是 16 個(gè) 32bits 的整型,所以,無(wú)論你步長(zhǎng)是 2 還是 8,都差不多。而后面的乘法其實(shí)是不耗 CPU 時(shí)間的。
示例二
我們?cè)賮?lái)看一個(gè)與緩存命中率有關(guān)的代碼,我們以一定的步長(zhǎng)increment來(lái)訪問(wèn)一個(gè)連續(xù)的數(shù)組。
for (int i = 0; i < 10000000; i ) {
for (int j = 0; j < size; j = increment) {
memory[j] = j;
}
}
我們測(cè)試一下,在下表中, 表頭是步長(zhǎng),也就是每次跳多少個(gè)整數(shù),而縱向是這個(gè)數(shù)組可以跳幾次(你可以理解為要幾條 Cache Line),于是表中的任何一項(xiàng)代表了這個(gè)數(shù)組有多少,而且步長(zhǎng)是多少。
比如:橫軸是 512,縱軸是4,意思是,這個(gè)數(shù)組有 4*512 = 2048個(gè)長(zhǎng)度,訪問(wèn)時(shí)按512步長(zhǎng)訪問(wèn),也就是訪問(wèn)其中的這幾項(xiàng):[0, 512, 1024, 1536]這四項(xiàng)。
表中同的項(xiàng)是,是循環(huán) 1000 萬(wàn)次的時(shí)間,單位是“微秒”(除以1000后是毫秒)
| count | 1 | 16 | 512 | 1024 |
------------------------------------------
| 1 | 17539 | 16726 | 15143 | 14477 |
| 2 | 15420 | 14648 | 13552 | 13343 |
| 3 | 14716 | 14463 | 15086 | 17509 |
| 4 | 18976 | 18829 | 18961 | 21645 |
| 5 | 23693 | 23436 | 74349 | 29796 |
| 6 | 23264 | 23707 | 27005 | 44103 |
| 7 | 28574 | 28979 | 33169 | 58759 |
| 8 | 33155 | 34405 | 39339 | 65182 |
| 9 | 37088 | 37788 | 49863 |156745 |
| 10 | 41543 | 42103 | 58533 |215278 |
| 11 | 47638 | 50329 | 66620 |335603 |
| 12 | 49759 | 51228 | 75087 |305075 |
| 13 | 53938 | 53924 | 77790 |366879 |
| 14 | 58422 | 59565 | 90501 |466368 |
| 15 | 62161 | 64129 | 90814 |525780 |
| 16 | 67061 | 66663 | 98734 |440558 |
| 17 | 71132 | 69753 |171203 |506631 |
| 18 | 74102 | 73130 |293947 |550920 |
我們可以看到,從 [9,1024]以后,時(shí)間顯著上升。包括 [17,512]和 [18,512]也顯著上升。這是因?yàn)?,我機(jī)器的 L1 Cache 是 32KB, 8 Way 的,前面說(shuō)過(guò),8 Way 的有 64 組,每組 8 個(gè) Cache Line,當(dāng) for-loop步長(zhǎng)超過(guò) 1024 個(gè)整型,也就是正好 4096 Bytes 時(shí),也就是導(dǎo)致內(nèi)存地址的變化是變化在高位的 24bits 上,
而低位的1 2bits 變化不大,尤其是中間6bits沒(méi)有變化,導(dǎo)致全部命中同一組 set,導(dǎo)致大量的 cache 沖突,導(dǎo)致性能下降,時(shí)間上升。而 [16, 512]也是一樣的,其中的幾步開(kāi)始導(dǎo)致L1 Cache開(kāi)始沖突失效。
示例三
接下來(lái),我們?cè)賮?lái)看個(gè)示例。下面是一個(gè)二維數(shù)組的兩種遍歷方式,一個(gè)逐行遍歷,一個(gè)是逐列遍歷,這兩種方式在理論上來(lái)說(shuō),尋址和計(jì)算量都是一樣的,執(zhí)行時(shí)間應(yīng)該也是一樣的。
const int row = 1024;
const int col = 512
int matrix[row][col];
//逐行遍歷
int sum_row=0;
for(int _r=0; _r for(int _c=0; _c sum_row = matrix[_r][_c];
}
}
//逐列遍歷
int sum_col=0;
for(int _c=0; _c for(int _r=0; _r sum_col = matrix[_r][_c];
}
}
然而,并不是,在我的機(jī)器上,得到下面的結(jié)果。
-
逐行遍歷:0.081ms
-
逐列遍歷:1.069ms
執(zhí)行時(shí)間有十幾倍的差距。其中的原因,就是逐列遍歷對(duì)于 CPU Cache 的運(yùn)作方式并不友好,所以,付出巨大的代價(jià)。
示例四
接下來(lái),我們來(lái)看一下多核下的性能問(wèn)題,參看如下的代碼。兩個(gè)線程在操作一個(gè)數(shù)組的兩個(gè)不同的元素(無(wú)需加鎖),線程循環(huán)1000萬(wàn)次,做加法操作。在下面的代碼中,我高亮了一行,就是p2指針,要么是p[1],或是 p[30],理論上來(lái)說(shuō),無(wú)論訪問(wèn)哪兩個(gè)數(shù)組元素,都應(yīng)該是一樣的執(zhí)行時(shí)間。
void fn (int* data) {
for(int i = 0; i < 10*1024*1024; i)
*data = rand();
}
int p[32];
int *p1 =