随机内存写入比随机内存读取慢？

Posted 2023-02-19

【中文标题】随机内存写入比随机内存读取慢？

【英文标题】：Random memory write is slower than random memory read?

【发布时间】：2019-11-24 03:01:51

【问题描述】：

我正在尝试计算顺序/随机内存读/写的内存访问时间。代码如下：

#include <assert.h>
#include <stdio.h>
#include <stdlib.h>
#include <sys/time.h>
#include <time.h>

#define PRINT_EXCECUTION_TIME(msg, code)                                       \
  do                                                                          \
    struct timeval t1, t2;                                                     \
    double elapsed;                                                            \
    gettimeofday(&t1, NULL);                                                   \
    do                                                                        \
      code;                                                                    \
     while (0);                                                               \
    gettimeofday(&t2, NULL);                                                   \
    elapsed = (t2.tv_sec - t1.tv_sec) * 1000.0;                                \
    elapsed += (t2.tv_usec - t1.tv_usec) / 1000.0;                             \
    printf(msg " time: %f ms\n", elapsed);                                     \
   while (0);

const int RUNS = 20;
const int N = (1 << 27) - 1;
int *data;

int seqR() 
  register int res = 0;
  register int *data_p = data;
  register int pos = 0;

  for (register int j = 0; j < RUNS; j++) 
    for (register int i = 0; i < N; i++) 
      pos = (pos + 1) & N;
      res = data_p[pos];
    
  

  return res;


int seqW() 
  register int res = 0;
  register int *data_p = data;
  register int pos = 0;

  for (register int j = 0; j < RUNS; j++) 
    for (register int i = 0; i < N; i++) 
      pos = (pos + 1) & N;
      data_p[pos] = res;
    
  

  return res;


int rndR() 
  register int res = 0;
  register int *data_p = data;
  register int pos = 0;

  for (register int j = 0; j < RUNS; j++) 
    for (register int i = 0; i < N; i++) 
      pos = (pos + i) & N;
      res = data_p[pos];
    
  

  return res;


int rndW() 
  register int res = 0;
  register int *data_p = data;
  register int pos = 0;

  for (register int j = 0; j < RUNS; j++) 
    for (register int i = 0; i < N; i++) 
      pos = (pos + i) & N;
      data_p[pos] = res;
    
  

  return res;


int main() 
  data = (int *)malloc(sizeof(int) * (N + 1));
  assert(data);

  for (int i = 0; i < N; i++) 
    data[i] = i;
  

  for (int i = 0; i < 10; i++) 
    PRINT_EXCECUTION_TIME("seqR", seqR());
    PRINT_EXCECUTION_TIME("seqW", seqW());
    PRINT_EXCECUTION_TIME("rndR", rndR());
    PRINT_EXCECUTION_TIME("rndW", rndW());
  

  return 0;

我使用gcc 6.5.0 和-O0 来防止优化，但得到的结果如下：

seqR time: 2538.010000 ms
seqW time: 2394.991000 ms
rndR time: 40625.169000 ms
rndW time: 46184.652000 ms
seqR time: 2411.038000 ms
seqW time: 2309.115000 ms
rndR time: 41575.063000 ms
rndW time: 46206.275000 ms

很容易理解，顺序访问比随机访问要快得多。但是，随机写入比随机读取慢而顺序写入比顺序读取快对我来说没有意义。什么原因会导致这种情况？

此外，我可以肯定地说seqR 的内存带宽是(20 * ((1 << 27) - 1) * 4 * 1024 * 1024 * 1024)GB / (2.538)s = 4.12GB/s？

【问题讨论】：

你用什么处理器来运行实验？

在我看来data_p[N] 可以在所有四个函数中访问。您可能想要分配 N+1 ints。

谢谢，应该是N + 1。我正在使用 Intel Xeon E5-2695 v4 Broadwell。

@zingdle：哦。与四核桌面相比，多核 Xeon 对单线程内存带宽不利是出了名的。不过，4GB/s 仍然低于我的预期，所以我仍然认为您在顺序函数中受 CPU 限制（而不是内存）。见Why is Skylake so much better than Broadwell-E for single-threaded memory throughput?

@PeterCordes 是的，看起来原始代码受 CPU 限制。我将数组更改为volatile，删除register 并使用O3 重新编译。程序集告诉我它使用一些xmm 寄存器进行优化，但花费的时间与以前大致相同。如果我省略pos = (pos + i) & N; 并使用data[i] 访问数组，则花费的时间减半。但是，我不能像以前那样直接比较随机/顺序内存访问时间。

【参考方案1】：

听起来很正常。所有 x86-64 CPU（以及大多数其他现代 CPU）都使用回写/写分配缓存，因此写入需要先读取一次，然后才能提交到缓存，以及最终的回写。

使用-O0 防止优化

由于您在所有本地人上都使用了register，这是罕见的情况之一，这不会使您的基准测试毫无意义。

不过，您可以在数组上使用volatile，以确保每个访问都按顺序进行，但如何实现则由优化器决定。

我可以肯定地说 seqR 的内存带宽是 (20 * ((1 << 27) - 1) * 4 * 1024 * 1024 * 1024)GB / (2.538)s = 4.12GB/s？

不，你的分子中有一个额外的因子 2^30 和 10^9。但是你做错了，无论如何都接近了正确的数字。

正确的计算是每秒RUNS * N * sizeof(int) / time 字节，或者除以 10^9 GB/s。或除以 2^30 以获取基本 2 GiB/s。内存大小通常以 GiB 为单位，但您可以选择带宽； DRAM 时钟速度通常为 1600 MHz，因此对于以 GB/s 为单位的理论最大带宽而言，base-10 GB = 10^9 当然是正常的。）

所以 4.23 GB/s（以 10 GB 为基础）。

是的，您首先初始化了数组，因此定时运行都不会触发页面错误，但如果 CPU 尚未预热到最大 turbo，我可能仍会使用第二次运行。

但请记住，这是未优化的代码。这就是你的未优化代码运行的速度，并没有告诉你你的内存有多快。它可能受 CPU 限制，而不是内存。

特别是其中有一个冗余的& N 以匹配rndR/W 函数的CPU 工作。硬件预取可能能够跟上 4GB/s 的速度，但它仍然无法在每个时钟周期读取 1 个int。

【讨论】：

@HadiBrais：同意，这就是我在回答中这么说的原因：P 但是保持它在那里可能有助于控制 seq 与 rnd 循环中指令计数之间的差异。

我从这个精彩的回答中学到了很多，谢谢！我只是想比较顺序/随机访问之间的性能差异，所以有多余的register、& N 和O0。但我仍然不确定为什么顺序写入比读取略快，因为它也使用回写/写入分配。

@zingdle: register 如果您要使用-O0 进行编译，则不是多余的。这是register 关键字有用的一次。使用 GCC，它会阻止变量保存在内存中，并将存储转发存储/重新加载延迟放入循环携带的依赖链中。 （看看生成的 asm；循环结构可能仍然是废话，但至少它没有将循环变量保存在内存中。）

@zingdle：我认为顺序写入更快，因为存储缓冲区可以帮助隐藏偶尔出现的气泡。就像我说的那样，您的代码远没有成为实际内存/缓存带宽的瓶颈，因此硬件预取到 L2 可以轻松跟上。 （除非你的 CPU 是古老的）。您只会在页面边界处停顿。加载必须先完成，然后才能从无序的后端退出，但存储必须在 提交到 L1d 之前退出。 （存储缓冲区将缓存与推测执行隔离开来）。

我在 Haswell 上运行了代码。这些数字接近 OP 显示的（在 Broadwell E5 上），除了观察结果在多次运行中不成立，即 seqR/rndR 不一定比 seqW/rndW 快或慢.在许多运行中，差异在 1% 以内，但有时会更大一些。我想你是正确的。顺序循环可能受流水线限制（不是缓存或内存限制），随机循环似乎受至少 L1 上的填充缓冲区数量限制 (L1D_PEND_MISS.FB_FULL)。在这两种情况下，实现的 BW 都远小于最大单线程 BW。