使用 rdmsr/rdpmc 提高分支预测准确性

Question

我试图了解分支预测单元如何在 CPU 中工作。

我使用了papi和linux的perf事件，但这两个都没有给出准确的结果（就我的情况而言）。

这是我的代码:

void func(int* arr, int sequence_len){
  for(int i = 0; i < sequence_len; i++){
      // region starts
      if(arr[i]){
          do_sth();
      }
      // region ends
  }
}

我的数组由0和1组成。它有一个大小为sequence_len的模式。例如，如果我的大小是8，那么它有一个0 1 0 1 0 0 1或类似的模式。

试验1:

我试图理解CPU是如何预测这些分支的。因此，我使用了papi并为预测失误的分支预测设置了性能计数器（我知道它也计算间接分支）。

int func(){
  papi_read(r1);
  for(){
    //... same as above
  }
  papi_read(r2);
  return r2-r1;
}

int main(){
   init_papi();
   for(int i = 0; i < 10; i++)
     res[i] = func();

   print(res[i]);
}

我看到的输出是（序列长度为200）

100 #iter1
40  #iter2
10  #iter3
3
0
0
#...

因此，首先，CPU盲目地预测序列，只有一半的时间成功。在接下来的迭代中，CPU可以预测得越来越好。经过一些迭代，CPU可以完美地猜到这一点。

试验2

我想看看，在哪个数组索引处会导致CPU预测失误。

int* func(){
  int* results;
  for(){
    papi_read(r1);
    if(arr[i])
        do_sth();   
    papi_read(r2);
    res[i] = r2-r1;
  }
  return res;
}

int main(){
   init_papi();
   for(int i = 0; i < 10; i++)
     res[i] = func();

   print(res[i]);
}

预期结果:

#1st iteration, 0 means no mispred, 1 means mispred
1 0 0 1 1 0 0 0 1 1 0... # total of 200 results
Mispred: 100/200
#2nd iteration
0 0 0 0 1 0 0 0 1 0 0... # total of 200 results
Mispred: 40/200 # it learned from previous iteration
#3rd iteration
0 0 0 0 0 0 0 0 1 0 0... # total of 200 results
Mispred: 10/200 # continues to learn
#...

收到的结果:

#1st iteration
1 0 0 1 1 0 0 0 1 1 0... # total of 200 results
Mispred: 100/200
#2nd iteration
1 0 0 0 1 1 0 1 0 0 0... # total of 200 results
Mispred: 100/200 # it DID NOT learn from previous iteration
#3rd iteration
0 1 0 1 0 1 0 1 1 0 0... # total of 200 results
Mispred: 100/200 # NO LEARNING
#...

我的观察

当我在for循环之外测量错误预测时，我可以看到CPU从它的错误预测中学习。然而，当我试图测量单分支指令错误预测时，CPU要么无法学习，要么我测量错了。

我的解释

我给出的序列长度是200。CPU有一个小的分支预测器，如Intels中的2-3位饱和计数器，以及一个大的全局分支预测器。当我在环路之外测量时，我会减少测量中的噪声。我说的噪音小，是指< code>papi呼叫。

想想这个:在回路测量之外

全局历史是:< code>papi_start，branch_outcome1，branch_outcome2，branch_outcome3，...，papi_end，papi_start(主迭代的第2个循环)，branch_outcome1，...

因此，分支预测器以某种方式在同一分支中找到模式。

但是，如果我尝试测量单分支指令，那么全局历史是：papi_start，分支路1，分支路，分支路2，分支路…

因此，我正在向全球历史介绍越来越多的分支。我假设全局历史记录无法容纳许多分支条目，因此，它无法在所需的 if 语句（分支）中找到任何相关性/模式。

结果

我需要测量单个分支的预测结果。我知道CPU不用太多介绍papi也能学会200模式。我看过papi调用，也看过很多for循环，if条件。

这就是为什么我需要更好的测量。我尝试过 linux perf-event，但它会进行 ioctl 调用，这是一个系统调用，我用系统调用污染了全局历史记录，因此不是一个很好的测量。

我已经阅读了rdpmc和rdmsr指令，我认为由于它们只是指令，所以我不会污染全局历史，并且我可以一次测量单个分支指令。

但是，我不知道怎么做。我有AMD 3600 CPU。这些是我在网上找到的链接，但我不知道怎么做。除此之外，我是不是错过了什么？

英特尔rdpmc

AMD 性能手册

Answer 1

perf_event_open（）文档描述了如何对通过该接口创建的事件正确使用rdpmc。@JohnDMcCalpin的回答中描述的方法也有效，但它是基于直接编程事件控制寄存器。给定一组硬件事件，很难确定如何在可用的硬件性能计数器上安排这些事件。perf_event子系统为您处理此问题，这是一个主要优势。

从Linux 3.4开始，< code>perf_event子系统支持< code>rdpmc。

以开头

>

执行perf_event_open（）以准备读取type=perf_type_HARDWARE 的计数器

struct perf_event_attr attr ;
int fd ;

memset(&attr, 0, sizeof(attr)) ;

attr.type   = PERF_TYPE_HARDWARE ;
attr.config = PERF_COUNT_HW_BRANCH_MISSES;
attr.size = sizeof(attr) ;        // for completeness
attr.exclude_kernel = 1 ;         // count user-land events

perf_fd = (int)sys_perf_event_open(&attr, 0, -1, -1, PERF_FLAG_FD_CLOEXEC) ;
                                  // this pid, any cpu, no group_fd

哪里：

static long
sys_perf_event_open(struct perf_event_attr* attr,
                              pid_t pid, int cpu, int group_fd, ulong flags)
{
  return syscall(__NR_perf_event_open, attr, pid, cpu, group_fd, flags) ;
}

将perf_fd与mmap页面关联：

struct perf_event_mmap_page* perf_mm ;

perf_mm = mmap(NULL, page_size, PROT_READ, MAP_SHARED, perf_fd, 0) ;

例如，page_size可以是 4096。此缓冲区用于存储样本。请参阅文档的“溢出处理”部分。

要读取计数器，需要将perf_mm中的一些信息与使用RDPMC指令读取的信息结合起来，因此：

uint64_t  offset, count ;
uint32_t  lock, check, a, d, idx ;

lock = perf_mm->lock ;
do
  {
    check = lock ;
    __asm__ volatile("":::"memory") ;
    idx = perf_mm->index - 1 ;
    // Check that you're allowed to execute rdpmc. You can do this check once.
    // Check also that the event is currently active.
    // Starting with Linux 3.12, use cap_user_rdpmc.
    if (perf_mm->cap_user_rdpmc && idx) {
       // cap_user_rdpmc cannot change at this point because no code
       // that executes here that changes it. So it's safe.
       __asm__ volatile("\t rdpmc\n" : "=a" (a), "=d" (d) : "c" (idx)) ;
    }
    // In case of signed event counts, you have to use also pmc_width.
    // See the docs.
     offset = perf_mm->offset ;
    __asm__ volatile("":::"memory") ;
    lock = perf_mm->lock ;
  }
while (lock != check) ;

count = ((uint64_t)d << 32) + a ;
if (perf_mm->pmc_width != 64)
  {
    // need to sign extend the perf_mm->pmc_width bits of count.
  } ;
count += offset ;

如果线程在“开始”和“结束”读取之间没有中断，那么我认为我们可以假设perf_mm东西不会改变。但是如果它被中断了，那么内核可以更新perf_mm东西来考虑影响这个时间的任何变化。

注意:< code>RDPMC指令的开销不是很大，但是我正在试验将所有这些剥离回来，看看是否可以直接使用< code>RDPMC结果，只要< code>perf_mm-

Answer 2

您已经假设PAPI和/或perf_events代码占用的内存相对较少。这是不正确的。如果您将性能计数器事件更改为类似“失效的指令”或“未暂停的CPU周期”，您将能够看到该操作在您的软件环境中包含了多少开销。细节将取决于您的操作系统版本，但我预计开销将在数百条指令/数千个周期内，因为读取perf _ events(PAPI使用)中的计数器需要内核穿越。代码路径肯定会包含它自己的分支。

如果您的内核支持“用户模式 RDPMC”（CR4.PCE=1），您可以使用一条指令读取性能计数器。https://github.com/jdmccalpin/low-overhead-timers 中提供了示例。

即使将测量代码限制为本机RDPMC指令（以及用于保存结果的周围代码），测量也会中断处理器流水线。RDPMC是一条微码指令。在Ryzen内核上，该指令执行20个微操作，每20个周期有一条指令的吞吐量。（参考：https://www.agner.org/optimize/instruction_tables.pdf)

任何细粒度的测量都是具有挑战性的，因为现代处理器的无序能力与用户代码的交互方式缺乏记录，也难以预测。有关此主题(也与AMD处理器相关)的更多说明，请访问http://sites . ut exas . edu/jdm 4372/2018/07/23/comments-on-timing-short-code-sections-on-Intel-processors/