探究SMT对计算密集型workload的效果

宋老师的SMT测试很有意思，但是编译内核涉及的因素太多了，包括访问文件系统等耗时受到存储器性能的影响，难以估算，因此很难评判SMT对性能的提升如何。

 

为了探究SMT对计算密集型workload的效果，我自己写了一个简单的测试程序。

 

使用pthread开多个线程，每个线程分别计算斐波那契数列第N号元素的值。每个线程计算斐波那契数列时除线程的元数据外只分配两个unsigned long变量，由此避免过高的内存开销。

 

workload的详细代码和测试脚本在[https://github.com/HongweiQin/smt_test]

 

毫无疑问，这是一个计算密集型负载，我在自己的笔记本上运行，配置如下（省略了一些不重要的项目）：

•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  

$ lscpuArchitecture:                    x86_64CPU(s):                          12On-line CPU(s) list:             0-11Thread(s) per core:              2Core(s) per socket:              6Socket(s):                       1NUMA node(s):                    1Vendor ID:                       GenuineIntelModel name:                      Intel(R) Core(TM) i7-9750H CPU @ 2.60GHzL1d cache:                       192 KiBL1i cache:                       192 KiBL2 cache:                        1.5 MiBL3 cache:                        12 MiB

   

 

可以看到笔记本有一个Intel i7的处理器，6核12线程。经查，CPU0和CPU6共用一个Core，CPU1和CPU7共用一个Core，以此类推。

 

以下的测试(Test 1-5)中，每个线程分别计算斐波那契数列第40亿号元素的数值。

 

Test1：采用默认配置，开12线程进行测试。测试结果为总耗时45.003s。

 

•  
•  
•  
•  
•  
•  

qhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 real0m45.003suser7m12.953ssys0m0.485s

 

Test2：把smt关掉，同样的测试方法（12线程）。总耗时为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.shturn off smtqhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 real0m25.733suser2m23.525ssys0m0.116s

 

 

对，你没看错。同样的workload，如果关掉smt，总耗时还变少了。Intel诚不欺我！

 

Test3：再次允许smt，但是将程序限制在三个物理Core上运行，则总耗时为34.896s。

 

•  
•  
•  
•  
•  
•  
•  
•  

qhw@qhw-laptop:~/develop/smt_test$ ./turnon_smt.shturn on smtqhw@qhw-laptop:~/develop/smt_test$ time taskset -c 0-2,6-8 ./smt_test -f 4000000000threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=32 real0m34.896suser3m17.033ssys0m0.028s

   

Test3相比于Test1用了更少的Core，反而更快了。

 

为什么在Test2和3会出现这样违反直觉的结果？

 

 猜想：Cache一致性在作怪！

 

图1

 

测试程序的main函数会分配一个含有T(T=nr_threads)个元素的`struct thread_info`类型的数组，并分别将每个元素作为参数传递给每个计算线程使用。`struct thread_info`定义如下：

 

•  
•  
•  
•  
•  

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

 

结构体中的res数组用于计算斐波那契数列，因此会被工作线程频繁地写。

 

注意到，sizeof(struct thread_info)为32，而我的CPU的cacheline大小为64B！这意味着什么？

 

如果Thread 0在Core 0上运行，则它会频繁写tinfo[0]，Thread 1在Core 1上运行，则它会频繁写tinfo[1]。

 

这意味着，当Thread 0写tinfo[0]时，它其实是写入了Core 0上L1 Cache的Cacheline。同样的，当Thread 1写tinfo[1]时，它其实是写入了Core 1上L1 Cache的Cacheline。此时，由于Core 1上的Cacheline并非最新，因此CPU需要首先将Core 0中的Cacheline写入多核共享的L3 Cache甚至是内存中，然后再将其读入Core 1的L1 Cache中，最后再将Thread 1的数据写入。此时，由于Cache 0中的数据并非最新，Cacheline会被无效化。由此可见，如果程序一直这样运行下去，这一组数据需要在Cache 0和1之间反复跳跃，占用较多时间。

 

这个猜想同样可以解释为什么使用较少的CPU可以加速程序运行。原因是当使用较少的CPU时，多线程不得不分时共用CPU，如果Thread 0和Thread 1分时共用了同一个CPU，则不需要频繁将Cache无效化，程序运行时间也就缩短了。

 

 验证猜想：增加内存分配粒度！

 

对程序进行修改后，可以使用`-g alloc_granularity`参数设定tinfo结构体的分配粒度。使用4KB为粒度进行分配，再次进行测试：

 

Test4：12线程，开启SMT，分配粒度为4096。总耗时为13.193s，性能相比于Test1的45.003s有了质的提升！ 

•  
•  
•  
•  
•  
•  

qhw@qhw-laptop:~/develop/smt_test$ time ./smt_test -f 4000000000 -g 4096threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 real0m13.193suser2m31.091ssys0m0.217s

 

Test5：在Test4的基础上限制只能使用3个物理Core。总耗时为24.841s，基本上是Test4的两倍。这说明在这个测试下，多核性能还是线性可扩展的。

 

•  
•  
•  
•  
•  
•  

qhw@qhw-laptop:~/develop/smt_test$ time taskset -c 0-2,6-8 ./smt_test -f 4000000000 -g 4096threads_num=12, fibonacci_max=4000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 real0m24.841suser2m26.253ssys0m0.032s

 

超线程SMT究竟可以快多少？

 

表格和结论：

 

测试名	硬件配置	运行时间(s)
Test6	“真”6核	38.562
Test7	“假”6核	58.843
Test8	“真”3核	73.175

 

测试使用的是6个工作线程。为了减少误差，增加一点运行时间，每个线程计算斐波那契数列第200亿项的值。

 

对比Test6和7，可以看到SMT的提升大概在52.6%左右。

 

测试记录：

 

Test6：别名“真”6核，使用6个关闭了SMT的物理核进行计算。总耗时为38.562s。

 

Test7：别名“假”6核，使用3个开启了SMT的物理核进行计算。总耗时为58.843s。

 

Test8：别名“真”3核，使用3个关闭了SMT的物理核进行计算。总耗时为1m13.175s。

 

•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  
•  

qhw@qhw-laptop:~/develop/smt_test$ cat test.sh#!/bin/bash
fibonacci=20000000000sudo printf "" ./turnoff_smt.shtime ./smt_test -f $fibonacci -g 4096 -t 6 ./turnon_smt.shtime taskset -c 0-2,6-8 ./smt_test -f $fibonacci -g 4096 -t 6 ./turnoff_smt.shtime taskset -c 0-2,6-8 ./smt_test -f $fibonacci -g 4096 -t 6 ./turnon_smt.shqhw@qhw-laptop:~/develop/smt_test$ ./test.shturn off smtthreads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 real0m38.562suser3m50.786ssys0m0.000sturn on smtthreads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 real0m58.843suser5m53.018ssys0m0.005sturn off smtthreads_num=6, fibonacci_max=20000000000, should_set_affinity=0, should_inline=1, alloc_granularity=4096 real1m13.175suser3m39.486ssys0m0.008sturn on smt

 

责任编辑：haq