[[430416]]

宋老師的SMT測試很有意思，但是編譯內(nèi)核涉及的因素太多了，包括訪問文件系統(tǒng)等耗時受到存儲器性能的影響，難以估算，因此很難評判SMT對性能的提升如何。

為了探究SMT對計算密集型workload的效果，我自己寫了一個簡單的測試程序。

使用pthread開多個線程，每個線程分別計算斐波那契數(shù)列第N號元素的值。每個線程計算斐波那契數(shù)列時除線程的元數(shù)據(jù)外只分配兩個unsigned long變量，由此避免過高的內(nèi)存開銷。

workload的詳細代碼和測試腳本在[https://github.com/HongweiQin/smt_test]

毫無疑問，這是一個計算密集型負載，我在自己的筆記本上運行，配置如下(省略了一些不重要的項目)：

$ lscpu 
Architecture:                    x86_64 
CPU(s):                          12 
On-line CPU(s) list:             0-11 
Thread(s) per core:              2 
Core(s) per socket:              6 
Socket(s):                       1 
NUMA node(s):                    1 
Vendor ID:                       GenuineIntel 
Model name:                      Intel(R) Core(TM) i7-9750H CPU @ 2.60GHz 
L1d cache:                       192 KiB 
L1i cache:                       192 KiB 
L2 cache:                        1.5 MiB 
L3 cache:                        12 MiB 

可以看到筆記本有一個Intel i7的處理器，6核12線程。經(jīng)查，CPU0和CPU6共用一個Core，CPU1和CPU7共用一個Core，以此類推。

以下的測試(Test 1-5)中，每個線程分別計算斐波那契數(shù)列第40億號元素的數(shù)值。

Test1：采用默認配置，開12線程進行測試。測試結果為總耗時45.003s。

qhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000 
threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 
  
real0m45.003s 
user7m12.953s 
sys0m0.485s 

Test2：把smt關掉，同樣的測試方法(12線程)?？偤臅r為25.733s。

qhw@qhw-laptop:~/develop/smt_test$ cat turnoff_smt.sh 
#!/bin/bash 
 
echo "turn off smt" 
sudo sh -c 'echo off > /sys/devices/system/cpu/smt/control' 
qhw@qhw-laptop:~/develop/smt_test$ ./turnoff_smt.sh 
turn off smt 
qhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000 
threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 
  
real0m25.733s 
user2m23.525s 
sys0m0.116s 

對，你沒看錯。同樣的workload，如果關掉smt，總耗時還變少了。Intel誠不欺我!

Test3：再次允許smt，但是將程序限制在三個物理Core上運行，則總耗時為34.896s。

qhw@qhw-laptop:~/develop/smt_test$ ./turnon_smt.sh 
turn on smt 
qhw@qhw-laptop:~/develop/smt_test$ time taskset -c 0-2,6-8 ./smt_test -f 4000000000 
threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 
  
real0m34.896s 
user3m17.033s 
sys0m0.028s 

Test3相比于Test1用了更少的Core，反而更快了。

為什么在Test2和3會出現(xiàn)這樣違反直覺的結果?

猜想：Cache一致性在作怪!

圖1

測試程序的main函數(shù)會分配一個含有T(T=nr_threads)個元素的`struct thread_info`類型的數(shù)組，并分別將每個元素作為參數(shù)傳遞給每個計算線程使用。`struct thread_info`定義如下：

struct thread_info { 
pthread_t thread_id; 
int thread_num; 
unsigned long res[2]; 
}; 

結構體中的res數(shù)組用于計算斐波那契數(shù)列，因此會被工作線程頻繁地寫。

注意到，sizeof(struct thread_info)為32，而我的CPU的cacheline大小為64B!這意味著什么?

圖2

如圖所示，如果Thread 0在Core 0上運行，則它會頻繁寫tinfo[0]，Thread 1在Core 1上運行，則它會頻繁寫tinfo[1]。

這意味著，當Thread 0寫tinfo[0]時，它其實是寫入了Core 0上L1 Cache的Cacheline。同樣的，當Thread 1寫tinfo[1]時，它其實是寫入了Core 1上L1 Cache的Cacheline。此時，由于Core 1上的Cacheline并非最新，因此CPU需要首先將Core 0中的Cacheline寫入多核共享的L3 Cache甚至是內(nèi)存中，然后再將其讀入Core 1的L1 Cache中，最后再將Thread 1的數(shù)據(jù)寫入。此時，由于Cache 0中的數(shù)據(jù)并非最新，Cacheline會被無效化。由此可見，如果程序一直這樣運行下去，這一組數(shù)據(jù)需要在Cache 0和1之間反復跳躍，占用較多時間。

這個猜想同樣可以解釋為什么使用較少的CPU可以加速程序運行。原因是當使用較少的CPU時，多線程不得不分時共用CPU，如果Thread 0和Thread 1分時共用了同一個CPU，則不需要頻繁將Cache無效化，程序運行時間也就縮短了。

驗證猜想：增加內(nèi)存分配粒度!

對程序進行修改后，可以使用`-g alloc_granularity`參數(shù)設定tinfo結構體的分配粒度。使用4KB為粒度進行分配，再次進行測試：

Test4：12線程，開啟SMT，分配粒度為4096?？偤臅r為13.193s，性能相比于Test1的45.003s有了質(zhì)的提升!

qhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000 -g 4096 
threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 
  
real0m13.193s 
user2m31.091s 
sys0m0.217s 

Test5：在Test4的基礎上限制只能使用3個物理Core?？偤臅r為24.841s，基本上是Test4的兩倍。這說明在這個測試下，多核性能還是線性可擴展的。

qhw@qhw-laptop:~/develop/smt_test$ time taskset -c 0-2,6-8 ./smt_test -f 4000000000 -g 4096 
threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 
  
real0m24.841s 
user2m26.253s 
sys0m0.032s 

超線程SMT究竟可以快多少?

表格和結論：

測試使用的是6個工作線程。為了減少誤差，增加一點運行時間，每個線程計算斐波那契數(shù)列第200億項的值。

對比Test6和7，可以看到SMT的提升大概在52.6%左右。

測試記錄：

Test6：別名“真”6核，使用6個關閉了SMT的物理核進行計算?？偤臅r為38.562s。

Test7：別名“假”6核，使用3個開啟了SMT的物理核進行計算?？偤臅r為58.843s。

Test8：別名“真”3核，使用3個關閉了SMT的物理核進行計算。總耗時為1m13.175s。

qhw@qhw-laptop:~/develop/smt_test$ cat test.sh 
#!/bin/bash 
 
fibonacci=20000000000 
sudo printf "" 
  
./turnoff_smt.sh 
time ./smt_test -f $fibonacci -g 4096 -t 6 
  
./turnon_smt.sh 
time taskset -c 0-2,6-8 ./smt_test -f $fibonacci -g 4096 -t 6 
  
./turnoff_smt.sh 
time taskset -c 0-2,6-8 ./smt_test -f $fibonacci -g 4096 -t 6 
  
./turnon_smt.sh 
qhw@qhw-laptop:~/develop/smt_test$ ./test.sh 
turn off smt 
threads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 
  
real0m38.562s 
user3m50.786s 
sys0m0.000s 
turn on smt 
threads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 
  
real0m58.843s 
user5m53.018s 
sys0m0.005s 
turn off smt 
threads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 
  
real1m13.175s 
user3m39.486s 
sys0m0.008s 
turn on smt