5

我对 L1 缓存的理解是内存获取会加载缓存行。假设缓存行大小为 64 字节，如果我在 address 访问内存p，它会将整个块从pto加载p + 64到缓存中。因此，最好从左到右（而不是从右到左）遍历数组以最大化缓存局部性。

但是，我编写了示例 C 代码，该代码分配了一个包含 1 亿个字符的数组，将随机值写入其中并求和（复制如下以供参考）。一个版本的代码从左到右求和，另一个从右到左求和。当我对其进行基准测试时，我得到了非常相似的结果（其中“时钟周期”是用 . 来衡量的clock。代码是在没有优化的情况下编译的。

所以我的问题是：现代处理器除了“缓存读取+ 64字节”之外还做其他事情吗？他们是否向前和向后缓存？编译器可以“告诉”处理器代码正在向后迭代吗？

作为参考，我正在Mac OS X 10.13.3使用gcc-7 (Homebrew GCC 7.2.0_1) 7.2.0具有 64 字节缓存行的 x86-64 Intel 处理器运行。

基准测试：

$ ./a.out
Backward Iterating...took 150101 clock cycles

$ ./a.out
Forward Iterating...took 146545 clock cycles

我本来预计前向迭代会快大约 64 倍，因为每 64 个元素应该是缓存命中，而对于后向迭代，每个元素都应该是缓存未命中。

所以，我在上面调用了cachegrind。两者的缓存命中未命中率几乎相同：

# Left to right iteration
==21773==
==21773== I   refs:      4,006,996,067
==21773== I1  misses:            5,183
==21773== LLi misses:            3,019
==21773== I1  miss rate:          0.00%
==21773== LLi miss rate:          0.00%
==21773==
==21773== D   refs:      1,802,393,260  (1,401,627,925 rd   + 400,765,335 wr)
==21773== D1  misses:        3,153,101  (    1,588,104 rd   +   1,564,997 wr)
==21773== LLd misses:        3,004,885  (    1,440,660 rd   +   1,564,225 wr)
==21773== D1  miss rate:           0.2% (          0.1%     +         0.4%  )
==21773== LLd miss rate:           0.2% (          0.1%     +         0.4%  )
==21773==
==21773== LL refs:           3,158,284  (    1,593,287 rd   +   1,564,997 wr)
==21773== LL misses:         3,007,904  (    1,443,679 rd   +   1,564,225 wr)
==21773== LL miss rate:            0.1% (          0.0%     +         0.4%  )

# Right to left iteration
==21931==
==21931== I   refs:      4,006,996,453
==21931== I1  misses:            5,198
==21931== LLi misses:            3,045
==21931== I1  miss rate:          0.00%
==21931== LLi miss rate:          0.00%
==21931==
==21931== D   refs:      1,802,393,428  (1,401,628,038 rd   + 400,765,390 wr)
==21931== D1  misses:        3,153,113  (    1,588,079 rd   +   1,565,034 wr)
==21931== LLd misses:        3,135,505  (    1,571,219 rd   +   1,564,286 wr)
==21931== D1  miss rate:           0.2% (          0.1%     +         0.4%  )
==21931== LLd miss rate:           0.2% (          0.1%     +         0.4%  )
==21931==
==21931== LL refs:           3,158,311  (    1,593,277 rd   +   1,565,034 wr)
==21931== LL misses:         3,138,550  (    1,574,264 rd   +   1,564,286 wr)
==21931== LL miss rate:            0.1% (          0.0%     +         0.4%  )

代码：

#include <stdint.h>
#include <time.h>
#include <stdio.h>
#include <stdlib.h>

#define BUF_SIZE 100000000

int main() {
  srand(time(NULL));
  uint8_t *buf1 = (uint8_t *)malloc(BUF_SIZE);
  // Fill the buf with random data
  for (size_t i = 0; i < BUF_SIZE; ++i) {
    buf1[i] = rand();
  }

#ifdef BACKWARDS
  printf("Backward Iterating...");
#else
  printf("Forward Iterating...");
#endif

  uint64_t sum = 0;
  clock_t start = clock();
#ifdef BACKWARDS
  for (size_t i = BUF_SIZE - 1; i != ~0; --i) {
#else
  for (size_t i = 0; i < BUF_SIZE; ++i) {
#endif
    sum += buf1[i];
  }
  clock_t end = clock();
  printf("took %lu clock cycles\n", end - start);
  printf("sum: %llu\n", sum);
  free(buf1);
}
4

2 回答 2

6

要扩展上一个答案：

加载完整的高速缓存行粒度意味着前进或后退都无关紧要，一旦您击中行的一侧，您就会得到全部。这当然只适用于可缓存的负载和内存类型（+流式传输的情况下可能会在缓冲区中被命中）。

然而，这还不是全部。现代 CPU 使用非常擅长处理空间局部性的硬件预取器 - 这些将通过在您正在进行的相同方向上预取额外的缓存线来增加粒度。退出预取器取决于您使用的确切架构，但常见的包括下一行、相邻行（+/- 1 行）、下一行流或基于 IP 的步幅。更多信息在这里。

这些预取器应该是对称的，但我们不确定（具体细节未披露），它们可能对不同的方向有不同的机会或阈值。

还有一点，cachegrind 只是一个缓存模拟，它不包括预取之类的效果，甚至没有对准确的缓存进行建模（大小应该可以，但不能保证替换策略和其他微架构细节）一样），所以你不会看到完整的效果。使用性能计数器查看实际的硬件行为可能会更好。

于 2018-02-14T08:52:41.010 回答
4

如果我在 address 访问内存p，它会将整个块从 pto加载p + 64到缓存中。

不完全是。处理器加载的是包含p. 例如，如果p是 0x1234，则加载缓存行 0x1200 到 0x123F。因此，向后扫描数组与向前扫描没有太大区别。

于 2018-02-14T07:10:59.410 回答