多进程 MPI 与多线程 std::thread 性能

Posted 2023-02-16

【中文标题】多进程 MPI 与多线程 std::thread 性能

【英文标题】：multi-process MPI vs. multithreaded std::thread performance

【发布时间】：2021-09-08 07:45:48

【问题描述】：

我编写了一个简单的测试程序来比较使用 MPI 在多个进程上并行化的性能，或者使用std::thread 在多个线程上进行并行化的性能。并行化的工作只是写入一个大数组。我看到的是，多进程 MPI 的性能远远优于多线程。

测试代码为：

#ifdef USE_MPI
#include <mpi.h>
#else
#include <thread>
#endif
#include <iostream>
#include <vector>

void dowork(int i)
    int n = 1000000000;
    std::vector<int> foo(n, -1);


int main(int argc, char *argv[])
    int npar = 1;
#ifdef USE_MPI
    MPI_Init(&argc, &argv);
    MPI_Comm_size(MPI_COMM_WORLD, &npar);
#else
    npar = 8;
    if(argc > 1)
        npar = atoi(argv[1]);
    
#endif
    std::cout << "npar = " << npar << std::endl;

    int i;

#ifdef USE_MPI
    MPI_Comm_rank(MPI_COMM_WORLD, &i);
    dowork(i);
    MPI_Finalize();
#else
    std::vector<std::thread> threads;
    for(i = 0; i < npar; ++i)
        threads.emplace_back([i]()
            dowork(i);
        );
    
    for(i = 0; i < npar; ++i)
        threads[i].join();
    
#endif
    return 0;

Makefile 是：

partest_mpi:
    mpic++ -O2 -DUSE_MPI  partest.cpp -o partest_mpi -lmpi
partest_threads:
    c++ -O2 partest.cpp -o partest_threads -lpthread

而执行的结果是：

$ time ./partest_threads 8
npar = 8

real    0m2.524s
user    0m4.691s
sys 0m9.330s

$ time mpirun -np 8 ./partest_mpi
npar = 8
npar = 8
npar = 8
npar = 8
npar = 8
npar = 8
npar = 8npar = 8


real    0m1.811s
user    0m4.817s
sys 0m9.011s

所以问题是，为什么会发生这种情况，我可以对线程代码做些什么来使其性能更好？我猜这与内存带宽和缓存利用率有关。我在 Intel i9-9820X 10 核 CPU 上运行它。

【问题讨论】：

确保在运行基准测试之前禁用频率缩放。 ***.com/a/9006802/412080

操作系统是否将您的线程全部映射到同一个内核？使用 hwloc 或类似工具打印出您正在运行的内核。或者，使用固定工具来防止操作系统迁移您的线程/进程。

【参考方案1】：

TL;DR：确保您有足够的 RAM 并且基准指标准确无误。话虽如此，我无法在我的机器上重现这种差异（即我得到相同的性能结果）。

在大多数平台上，您的代码分配 30 GB（因为 sizeof(int)=4 和每个进程/线程执行向量的分配并且项目由向量初始化）。因此，您应该首先确保至少有足够的 RAM 来执行此操作。否则，由于内存交换，数据可能会被写入（慢得多的）存储设备（例如 SSD/HDD）。在这种极端情况下，基准测试并没有真正的用处（尤其是因为结果可能不稳定）。

假设您有足够的 RAM，您的应用程序主要受 page-faults 的约束。确实，在大多数现代主流平台上，操作系统（OS）会很快分配虚拟内存，但不会直接映射到物理内存。此映射过程通常在页面被第一次读取/写入（即页面错误）并且已知缓慢时完成。此外，出于安全原因（例如，不泄露其他进程的凭据），大多数操作系统会在第一次写入每个页面时将其归零，从而使页面错误更慢。在某些系统上，它可能无法很好地扩展（尽管在具有 Windows/Linux/Mac 的典型台式机上应该没问题）。这部分时间报告为系统时间。

剩下的时间主要是在 RAM 中填充向量所需的时间。这部分在许多平台上几乎无法扩展：通常 2-3 个内核显然足以使台式机上的 RAM 带宽饱和。

话虽如此，在我的机器上，我无法重现相同的结果，但分配的内存减少了 10 倍（因为我没有 30 GB 的 RAM）。这同样适用于减少 4 倍的内存。实际上，在我使用 i7-9600KF 的 Linux 机器上，MPI 版本要慢得多。请注意，结果相对稳定且可重复（无论运行的顺序和次数如何）：

time ./partest_threads 6 > /dev/null
real    0m0,188s
user    0m0,204s
sys 0m0,859s

time mpirun -np 6 ./partest_mpi > /dev/null
real    0m0,567s
user    0m0,365s
sys 0m0,991s

MPI 版本的不良结果来自我机器上的MPI 运行时初始化缓慢，因为一个不执行任何操作的程序大约需要 350 毫秒才能初始化。这实际上表明行为是平台相关的。至少，它表明不应使用time 来衡量两个应用程序的性能。应该改用monotonic C++ clocks。

一旦代码被修复为使用准确的计时方法（使用 C++ 时钟和 MPI 屏障），我会在两个实现之间获得非常接近的性能结果（10 次运行，使用排序的计时）：

pthreads:
Time: 0.182812 s
Time: 0.186766 s
Time: 0.187641 s
Time: 0.18785 s
Time: 0.18797 s
Time: 0.188256 s
Time: 0.18879 s
Time: 0.189314 s
Time: 0.189438 s
Time: 0.189501 s
Median time: 0.188 s

mpirun:
Time: 0.185664 s
Time: 0.185946 s
Time: 0.187384 s
Time: 0.187696 s
Time: 0.188034 s
Time: 0.188178 s
Time: 0.188201 s
Time: 0.188396 s
Time: 0.188607 s
Time: 0.189208 s
Median time: 0.188 s

---

要对 Linux 进行更深入的分析，您可以使用perf 工具。内核端分析表明，大部分时间（60-80%）都花在内核函数 clear_page_erms 上，它在页面错误期间将页面归零（如前所述），然后是填充向量值的 __memset_avx2_erms。其他功能只占用总运行时间的一小部分。这是一个使用 pthread 的示例：

  64,24%  partest_threads  [kernel.kallsyms]              [k] clear_page_erms
  18,80%  partest_threads  libc-2.31.so                   [.] __memset_avx2_erms
   2,07%  partest_threads  [kernel.kallsyms]              [k] prep_compound_page
   0,86%  :8444            [kernel.kallsyms]              [k] clear_page_erms
   0,82%  :8443            [kernel.kallsyms]              [k] clear_page_erms
   0,74%  :8445            [kernel.kallsyms]              [k] clear_page_erms
   0,73%  :8446            [kernel.kallsyms]              [k] clear_page_erms
   0,70%  :8442            [kernel.kallsyms]              [k] clear_page_erms
   0,69%  :8441            [kernel.kallsyms]              [k] clear_page_erms
   0,68%  partest_threads  [kernel.kallsyms]              [k] kernel_init_free_pages
   0,66%  partest_threads  [kernel.kallsyms]              [k] clear_subpage
   0,62%  partest_threads  [kernel.kallsyms]              [k] get_page_from_freelist
   0,41%  partest_threads  [kernel.kallsyms]              [k] __free_pages_ok
   0,37%  partest_threads  [kernel.kallsyms]              [k] _cond_resched
[...]  

如果这两种实现之一有任何内在的性能开销，perf 应该能够报告它。如果您在 Windows 上运行，则可以使用其他分析工具，例如 VTune。

【讨论】：

加 1 用于调查。

当malloc 调用mmap 时分配大向量不是最佳的，因为std::vector 构造函数初始化所有元素，这会导致每个页面出现一个页面错误。最好使用MAP_POPULATE 标志调用mmap 以避免这些不必要的页面错误，但是，std::vector 没有接口将此类提示传播到操作系统。 mmap 将返回的页面归零以避免信息泄漏，这可以用作优化以避免 std::vector 必须再次将元素归零，除非提供了非零位模式默认值。

我同意。然而，上次我使用MAP_POPULATE 来加速页面错误，并没有快多少。我认为主要问题之一是大多数系统上的小页面大小。在这种情况下，大页面可能会有很大帮助（尽管 Linux/Max 现在应该使用透明大页面，IDK for Windows）。对于std::vector，我认为可以使用特定的用户分配器在内部使用带有特定标志的mmap。看看它是否会更快会很有趣。