请帮助我了解如何使用 (G)Fortran 提高顺序的、未格式化的 I/O 吞吐量，尤其是在使用 NVMe SSD 时。
我写了一个小测试程序，见这篇文章的底部。这样做是并行打开一个或多个文件 (OpenMP) 并将一组随机数写入其中。然后它刷新系统缓存（需要root，否则读取测试很可能会从内存中读取）打开文件并从中读取。时间以挂墙时间（试图仅包括与 I/O 相关的时间）来衡量，性能数字以 MiB/s 给出。程序循环直到中止。
我用于测试的硬件是三星 970 Evo Plus 1TB SSD，通过 2 个 PCIe 3.0 通道连接。所以理论上，它应该能够进行 ~1500MiB/s 的顺序读写。预先使用“dd if=/dev/zero of=./testfile bs=1G count=1 oflag=direct”进行测试，结果约为 750MB/s。不太好，但仍然比我用 Gfortran 得到的要好。根据您的要求，dd 无论如何都不应该用于基准测试。这只是为了确保硬件在理论上能够提供更多功能。
随着文件大小的增大，我的代码的结果往往会变得更好，但即使是 1GiB，它的写入速度也会达到 200MiB/s 左右，读取速度为 420MiB/s。使用更多线程（例如 4 个）会稍微提高写入速度，但只能达到 270MiB/s 左右。我确保保持基准运行时间较短，并在测试之间给 SSD 时间放松。
我的印象是，即使只有一个线程，也应该可以使 2 个 PCIe 3.0 通道的带宽饱和。至少在使用未格式化的 I/O 时。该代码似乎不受 CPU 限制，如果我将“值”字段的分配和初始化移出循环，则顶部显示单个内核的使用率低于 50%。考虑到我希望看到至少高出 5 倍的数字，这对于整体性能来说仍然不是好兆头。
我还尝试将 access=stream 用于 open 语句，但无济于事。
那么问题似乎是什么？
我的代码是否错误/未优化？我的期望是不是太高了？
使用的平台：
Opensuse Leap 15.1，内核 4.12.14-lp151.28.36-default
2x AMD Epyc 7551，Supermicro H11DSI，Samsung 970 Evo Plus 1TB (2xPCIe 3.0)
gcc 版本 8.2.1，编译器选项：-ffree-line-length-无 -O3 -ffast-math -funroll-loops -flto
MODULE types
implicit none
save
INTEGER, PARAMETER :: I8B = SELECTED_INT_KIND(18)
INTEGER, PARAMETER :: I4B = SELECTED_INT_KIND(9)
INTEGER, PARAMETER :: SP = KIND(1.0)
INTEGER, PARAMETER :: DP = KIND(1.0d0)
END MODULE types
MODULE parameters
use types
implicit none
save
INTEGER(I4B) :: filesize ! file size in MiB
INTEGER(I4B) :: nthreads ! number of threads for parallel ececution
INTEGER(I4B) :: alloc_size ! size of the allocated data field
END MODULE parameters
PROGRAM iometer
use types
use parameters
use omp_lib
implicit none
CHARACTER(LEN=100) :: directory_char, filesize_char, nthreads_char
CHARACTER(LEN=40) :: dummy_char1
CHARACTER(LEN=110) :: filename
CHARACTER(LEN=10) :: filenumber
INTEGER(I4B) :: thread, tunit, n
INTEGER(I8B) :: counti, countf, count_rate
REAL(DP) :: telapsed_read, telapsed_write, mib_written, write_speed, mib_read, read_speed
REAL(SP), DIMENSION(:), ALLOCATABLE :: values
call system_clock(counti,count_rate)
call getarg(1,directory_char)
dummy_char1 = ' directory to test:'
write(*,'(A40,A)') dummy_char1, trim(adjustl(directory_char))
call getarg(2,filesize_char)
dummy_char1 = ' file size (MiB):'
read(filesize_char,*) filesize
write(*,'(A40,I12)') dummy_char1, filesize
call getarg(3,nthreads_char)
dummy_char1 = ' number of parallel threads:'
read(nthreads_char,*) nthreads
write(*,'(A40,I12)') dummy_char1, nthreads
alloc_size = filesize * 262144
dummy_char1 = ' allocation size:'
write(*,'(A40,I12)') dummy_char1, alloc_size
mib_written = real(alloc_size,kind=dp) * real(nthreads,kind=dp) / 1048576.0_dp
mib_read = mib_written
CALL OMP_SET_NUM_THREADS(nthreads)
do while(.true.)
!$OMP PARALLEL default(shared) private(thread, filename, filenumber, values, tunit)
thread = omp_get_thread_num()
write(filenumber,'(I0.10)') thread
filename = trim(adjustl(directory_char)) // '/' // trim(adjustl(filenumber)) // '.temp'
allocate(values(alloc_size))
call random_seed()
call RANDOM_NUMBER(values)
tunit = thread + 100
!$OMP BARRIER
!$OMP MASTER
call system_clock(counti)
!$OMP END MASTER
!$OMP BARRIER
open(unit=tunit, file=trim(adjustl(filename)), status='replace', action='write', form='unformatted')
write(tunit) values
close(unit=tunit)
!$OMP BARRIER
!$OMP MASTER
call system_clock(countf)
telapsed_write = real(countf-counti,kind=dp)/real(count_rate,kind=dp)
write_speed = mib_written/telapsed_write
!write(*,*) 'write speed (MiB/s): ', write_speed
call execute_command_line ('echo 3 > /proc/sys/vm/drop_caches', wait=.true.)
call system_clock(counti)
!$OMP END MASTER
!$OMP BARRIER
open(unit=tunit, file=trim(adjustl(filename)), status='old', action='read', form='unformatted')
read(tunit) values
close(unit=tunit)
!$OMP BARRIER
!$OMP MASTER
call system_clock(countf)
telapsed_read = real(countf-counti,kind=dp)/real(count_rate,kind=dp)
read_speed = mib_read/telapsed_read
write(*,'(A29,2F10.3)') ' write / read speed (MiB/s): ', write_speed, read_speed
!$OMP END MASTER
!$OMP BARRIER
deallocate(values)
!$OMP END PARALLEL
call sleep(1)
end do
END PROGRAM iometer