我试图了解kcachegrind，那里似乎没有太多信息，例如，在左侧窗口中，什么是“Self”，什么是“incl.”？（见1 个核心）。
我做了一些弱扩展测试，没有通信，所以我猜这与缓存未命中有关。但据我所见，1 核和 16 核的数据未命中数相同，请参阅：16 cores。
我可以看到 1 核和 16 核之间的唯一区别是，在 16 核上调用 memcpy 的次数要少得多（我可以解释）。但我仍然无法弄清楚为什么在一个核心上，执行时间是 0.62 秒，而在 16 个核心上，执行时间更接近 1 秒。每个处理器都在做相同数量的工作。如果有人能告诉我在 kcachegrind 中寻找什么，那就太棒了，这是我第一次使用 kcachegrind 和 valgrind。
编辑：我的代码以压缩行格式连接矩阵。它涉及循环子矩阵的条目并使用 memcpy 将值复制到结果矩阵中。这是代码： - 我不能发布超过 2 个链接......所以我会在评论中发布它。
我只在循环本身上启动了 valgrind，循环也是 0.62 秒执行时间和 1 秒执行时间之间的差异。花费最多时间的部分是对 memcpy 的调用（下面 github gist 中的第 37 行），当我将其注释掉时，我的代码执行时间不到 0.2 秒，尽管 1 到 16 个内核之间仍然有增加（大约增加 30%）。
我在一个包含 24 个内核的 haswell 节点上运行我的代码（两个英特尔® 至强® 处理器 E5-2690 v3）
每个核心有 5GB 内存。