Низкоуровневые оптимизации. Андрей Аксенов. Unigine Open Air 2013
Download as PPT, PDF2 likes786 views
Доклад Андрея Аксенова на Sphinx Unigine Open Air 2013 посвящен низкоуровневым оптимизациям в программировании, в частности использованию C/C++ на примере работы с памятью и процессорами. Он рассматривает важные аспекты, такие как кеширование, доступ к памяти и оптимизацию производительности, а также делится практическими примерами и методами для повышения эффективности кода. Основное внимание уделяется принципам работы процессоров и памяти, а также важности тщательной профилизации и тестирования кода.
![Низкий уровень
• Однако “ассемблеров” в 2011 году много
– C99, C++03, C++11, Java, C#, LLVM
• Поговорим, выходит, про C/C++
– Несмотря, что
auto f = [](){}; // this is valid fucking C++ now](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-6-320.jpg)
![CPU, про инструкции
• this->a += b
– mov eax, [esi+12] ; The Load
– add eax, ebx ; The Hit
– mov [esi+12], eax ; The Store
• a += b
– add eax, ebx ; The Hit](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-25-320.jpg)
![CPU, VS 2005 vs gcc 4.x
• this->a vs a
• member write-pressure
int iRes = m_iCounter; // skip nonwhitespace
while ( m_iCounter<m_iLimit &&
m_sBuffer[m_iCounter] )
m_iCounter++;
• test1 = 701 msec, test2 = 413 msec](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-26-320.jpg)
![CPU, SSE unroll
• ssesum, 8453 usec
• ssesum x4, 8240 usec
• ssesum x4 + non-naïve, 8056 usec, +5%
res = _mm_add_ps(res,
_mm_add_ps(_mm_add_ps(p[0], p[1]),
_mm_add_ps(p[2], p[3])));
p += 4;](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-34-320.jpg)
![Шаг 3
• Было
std::string currentPath;
DoRecursiveStuff ( currentPath, … );
• Стало +16.2% (currpath)
BYTE sPath[128];
DoRecursiveStuff ( sPath, 0, … );](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-43-320.jpg)
![Шаг 4
• Было
vector< pair<string,int> > forms;
Get ( forms );
Sort ( forms );
return forms[0];](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-44-320.jpg)
![Шаг 5
• Был фарш RmlMakeUpper, FilterSrc
• Приводило регистр, заменяло букву Ё
• Стала прегенерация BYTE m_UC[256];
while ( *p ) { *p = m_UC[*p]; p++; }
• +9.5% (fastuc)](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-46-320.jpg)
![Шаг 6
• Гонялся и возвращался vector<WORD[3]>,
получаемый распаковкой некоего DWORD
• Заменил на vector<DWORD>, в нужных
местах добавил распаковку на месте
• +9.5% (dwordres)](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-47-320.jpg)
![Шаг 7/8
• Результат писало в vector<DWORD> & Infos
• Заменил на DWORD[12], с маркером конца
– Максимальная длина результата 6
• +40.4% (ptrres) !!!
• vector<DWORD> g_res + g_res.reserve() толк
тоже давали, но меньше (очевидно)](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-48-320.jpg)
![Шаг 8/8
• Развернул inner loop из рекурсии в цикл
• Было
int Count = GetChildrenCount(NodeNo); for …
• Стало +5% (manrecurse)
int iChild[MAX_DEPTH], iChildMax[MAX_DEPTH];
while ( iLvl>=0 ) while ( iChild[iLvl]<iMax[iLvl] ) …](https://image.slidesharecdn.com/cpp-130726053523-phpapp01/85/Unigine-Open-Air-2013-49-320.jpg)
Низкоуровневые оптимизации. Андрей Аксенов. Unigine Open Air 2013
- 1. Низкоуровневые оптимизации Андрей Аксенов, Sphinx Unigine Open Air 2013
- 3. Про что доклад • Высокие нагрузки => надо быстро • Надо быстро => надо оптимизировать • Надо оптимизировать => и так, и эдак • Про высокий уровень говорить затрудняюсь – С примерами плохо, без примеров плохо • Поговорю про низкий уровень
- 4. Низкий уровень? • Это, конечно, ассемблер – И только ассемблер – Иначе быть не может – Однако!
- 6. Низкий уровень • Однако “ассемблеров” в 2011 году много – C99, C++03, C++11, Java, C#, LLVM • Поговорим, выходит, про C/C++ – Несмотря, что auto f = [](){}; // this is valid fucking C++ now
- 7. Почему C/C++ • Все еще ближе всего к железу • Все еще топовые компиляторы • Все еще НОД, интегрируется везде • Все еще много стороннего софта на • Ну и я других “ассемблеров” “не знаю” – “Ну то есть что считать за секс”
- 8. Про… лозунги • RT3D == Batch, batch, batch (c) ATI/Nvidia • VLDB == Shard, shard, shard (c) everyone • Multicore == Thread, thread, thread (c) Intel • TDD == Test, test, test (c) K.Beck? • Agile == Sprint, sprint, sprint (c) M.Fowler? • Optimizations == ???
- 10. …а вам с ним жить BENCH, BENCH, BENCH – А давайте его отваром ромашки тогда. Толку не будет, но вреда тоже (c) Гиппократ
- 11. 256 оттенков серого • Но нас интересуют только 3 • В целом – диск, память, CPU • Сегодня – память, CPU • Завтра – Ulrich Drepper, Agner Fog – Звоните, все трое и звоните
- 12. Что нужно знать про RAM • Как соотносятся разные цены доступа • Что память работает не байтами… • Что бывает L1/L2 кеш • Что кеш вымывается • Что (не)выравнивание небесплатно • Что бывает (и иногда работает) префетч
- 13. Что нужно знать про CPU • Что есть регистры, инструкции, кеш кода • Что есть целая арифметика, FPU, MMX, SSE • Что есть mu-ops, pipes, branch prediction, register renaming, out-of-order execution • Что все эти чудеса стоят разных “денег” • Что amd64 “лучше” i686, когда не “хуже”
- 14. RAM, про цены в целом • Bandwidth. Тупое линейное чтение – 4.6 GB/sec на лаптопе, 12.7 GB/sec на сервере – Ништяк, ништяк? • Latency. Такие же 100M int32, stride 4096 – 195 MB/sec, 2.14 sec/100M, ~49 Mreads/sec – Те. последовательный доступ ~1-2 такта – Те. случайный доступ ~40-60 тактов
- 15. RAM, про цены на практике • Читать один поток надо мало… но редко • 100M x { *c++ = (*a++) + (*b++); } • Линейно 1111 MB/s (вместо 4400+) • С шагом 4KB выходит 36 MB/s (вместо 195) – Падение в 5.4 раза – Жалких 9 Mop/s, 240 тактов на одну (omfg)
- 16. RAM, L1 кеш • Почему так? Потому что L1/L2 cache • Скачем с шагом N => кеш-миссы => тормоза • Шаг 4..64, ~4400..330 MB/sec, ~2x/шаг • Шаг 64..1024, ~330..195 MB/sec • Значит, размер L1 кеш-линии 64 байта :)
- 17. RAM, L2 кеш • А давайте иначе: вы мне – свою душу, а я вам – домашний адрес епископа Диомида?
- 18. RAM, L2 кеш • Фиксируем шаг 1024, уменьшаем данные • 100M, …, 4M, 3M, 2.3M == 195 MB/sec • 2M == 648 MB/sec • 1M == 1688 MB/sec • 512K == 1724 MB/sec • Все сходится, на лаптопе 2MB L2 cache
- 19. RAM, про выравнивание • Лаптоп, 4.6 vs 4.2 G/sec, минус 8.3% • Сервер, 12.7 vs 11.6 G/sec, минус 7.3% • Intel, SPARC, ARM
- 20. RAM, выводы
- 21. RAM, таки выводы • Если данных много, лучше линейно • Если линейно никак, лучше мало данных! • Если можно переложить Тетрис, то нужно • Если можно, лучше всякое выровнять – Но держать баланс с локальностью!
- 24. CPU, про регистры • i286 – ax, bx, cx, dx, si, di, bp, sp • i386 – eax, ebx, ecx, edx, esi, edi, ebp, esp • i686 – eax, ebx, ecx, edx, esi, edi, ebp, esp • amd64 – rax..rsp, r0..r31 • fpu (aka i287) – fp(0)..fp(7) • sse – xmm0..xmm7
- 25. CPU, про инструкции • this->a += b – mov eax, [esi+12] ; The Load – add eax, ebx ; The Hit – mov [esi+12], eax ; The Store • a += b – add eax, ebx ; The Hit
- 26. CPU, VS 2005 vs gcc 4.x • this->a vs a • member write-pressure int iRes = m_iCounter; // skip nonwhitespace while ( m_iCounter<m_iLimit && m_sBuffer[m_iCounter] ) m_iCounter++; • test1 = 701 msec, test2 = 413 msec
- 27. CPU, про кеш кода • Код это тоже данные и тоже память… • Внезапно, функции и конвенции вызова • Внезапно, инлайнить или нет? – Функции, inline, __forceinline, итп мычки – Классы, реализация в декларации – Шаблоны, функторы против коллбэков
- 28. CPU, про креативное • Pipes, начиная с i586 (Pentium-1) add eax, ebx add ecx, edx ; pairs • Дальше ситуация ухудшилась!!! • Mu-ops, renaming, out-of-order, и всякое другое увлекательное вуду
- 29. CPU, про ветвления • if ( a!=0 ) { Doit(); } … cmp eax, 0 jne Label1 ; branch point call Doit Label1: … • likely(), unlikely() etc
- 30. CPU, еще про ветвления • switch() vs простыня простых if() • Ни разу не эквивалентны!!! • switch() оптимизируется, if() нет • Эффект заметен от 3 (трех) значений
- 31. CPU, if-for vs for-if • for ( int i=0; i<NITER; i++ ) res += ( a==b ) ? c*d-e : (a+b)*c+d; • For-if, 0.274 sec, res 1 300 000 000 • If-for, 0.184 sec, res 1 300 000 000
- 32. CPU, про FPU, SSEx • Дивный отдельный мир • fpusum, 44042 usec, msvc default • fpusum, 15386 usec, msvc /fp:fast • ssesum, 8453 usec __m128 res = _mm_set_ps1(0.0f); while ( p<pmax ) res = _mm_add_ps(res, *p++);
- 33. CPU, про FPU, SSEx • gcc 4.4.3, amd64 • fpusum, 11214 usec • ssesum, 3414 usec
- 34. CPU, SSE unroll • ssesum, 8453 usec • ssesum x4, 8240 usec • ssesum x4 + non-naïve, 8056 usec, +5% res = _mm_add_ps(res, _mm_add_ps(_mm_add_ps(p[0], p[1]), _mm_add_ps(p[2], p[3]))); p += 4;
- 36. Что нужно знать про cc/libc • Компилятор == gcc, MSVC, (припадочно) ICC • Про флаги сборки (arch, etc) • Про конвенции вызова • Про волшебные define-ы
- 37. cc, флаги сборки • gcc, -march=(i386|i686|core2???) – Умолчания системы могут удивить • msvc, /arch:(sse|sse2), /fp:(fast|precise|…) – По умолчанию голимый FPU • msvc, /ZI (aka E&C, edit and continue) – По умолчанию включен… “language”, my ass
- 38. • __cdecl, __stdcall, __fastcall • intrinsics (msvc) aka builtin functions (gcc) – А это не магия! fabs(), strcpy(), итп • _SECURE_SCL итп отладочные итераторы • msvc 2005 по умолчанию… __cdecl, NO intrinsics, _SECURE_SCL 1 cc, конвенции вызова
- 39. cc, аллокации • Старые недобрые malloc()/free() – Drop-in замены: nedmalloc, tcmalloc • Мало “больших” (4-16K+) везде ок • Много мелких аллокаций везде боль – Например, 1 M аллокаций по 16 байт • Ручные пулы все еще работают!
- 40. Боевой пример • Морфологический словарь, libaot • Сторонний код, между прочим! • Как именно удалось его взгреть в 3 раза • Что делает тот критичный код? – возвращает набор лемм по словоформе – СТАЛИ -> СТАТЬ, СТАЛЬ
- 41. История любви 1. ref, wall 11.9 2. magic1, wall 10.1, 1.178x relative, 1.178x total 3. magic123, wall 9.3, 1.086x relative, 1.279x total 4. currpath, wall 8.0, 1.162x relative, 1.487x total 5. noformsort, wall 6.9, 1.159x relative, 1.724x total 6. fastuc, wall 6.3, 1.095x relative, 1.888x total 7. dwordres, wall 5.9, 1.067x relative, 2.016x total 8. ptrres, wall 4.2, 1.404x relative, 2.833x total 9. manrecurse, wall 4.0, 1.050x relative, 2.975x total
- 42. Шаги 1, 2 • +17.8% (magic1) – Выкидываем 1-буквенные “слова” – Выкидываем слова “нерусские” • +8.6% (magic23) – Выкидываем наиболее частые 2/3-буквенные – И ведь всего-то 18 слов
- 43. Шаг 3 • Было std::string currentPath; DoRecursiveStuff ( currentPath, … ); • Стало +16.2% (currpath) BYTE sPath[128]; DoRecursiveStuff ( sPath, 0, … );
- 44. Шаг 4 • Было vector< pair<string,int> > forms; Get ( forms ); Sort ( forms ); return forms[0];
- 45. Шаг 4 • Стало +15.9% (noformsort) vector<int> indexes; string currentBest; Get ( indexes ); for ( int i=0; i<indexes.size(); i++ ) CheckAndUpdate ( currentBest ); return currentBest;
- 46. Шаг 5 • Был фарш RmlMakeUpper, FilterSrc • Приводило регистр, заменяло букву Ё • Стала прегенерация BYTE m_UC[256]; while ( *p ) { *p = m_UC[*p]; p++; } • +9.5% (fastuc)
- 47. Шаг 6 • Гонялся и возвращался vector<WORD[3]>, получаемый распаковкой некоего DWORD • Заменил на vector<DWORD>, в нужных местах добавил распаковку на месте • +9.5% (dwordres)
- 48. Шаг 7/8 • Результат писало в vector<DWORD> & Infos • Заменил на DWORD[12], с маркером конца – Максимальная длина результата 6 • +40.4% (ptrres) !!! • vector<DWORD> g_res + g_res.reserve() толк тоже давали, но меньше (очевидно)
- 49. Шаг 8/8 • Развернул inner loop из рекурсии в цикл • Было int Count = GetChildrenCount(NodeNo); for … • Стало +5% (manrecurse) int iChild[MAX_DEPTH], iChildMax[MAX_DEPTH]; while ( iLvl>=0 ) while ( iChild[iLvl]<iMax[iLvl] ) …
- 50. Неявный шаг номер 0 • BENCH, BENCH, BENCH • Как следствие profile, profile, profile • Черновик, замер, чистовик • Десяток чистовиков был закоммитан • Десяток черновиков сразу выкинут
- 51. Сводка фокусов • Душим fastpath, прямо в коде – Шаги 1, 2 • Душим RAM/stack pressure аргументов – Шаги 3, 4, 6, 7, 8 • Душим сложность, тупое упрощение влоб!!! – Шаг 5
- 52. Сводка других фокусов • Душим лишнюю индирекцию • Душим аллокации, пулим всякое • Душим использование RAM (локальность!) • Душим “плохие” общие структуры • Душим arch-specific фокусы (switch, sse, memb-pressure, for-if, ptr-walks, movzx, …)
- 53. Сводка третьих фокусов • И еще несколько десятков всяких удивительных мелочей • Из которых лично я…
- 54. Мораль про приемы • Приемов много, общее правило одно • Идеально вообще не работать!!!
- 56. Мораль про приемы • Но уж если работать приходится, то по минимуму • Как именно схалявить – вопрос не всегда простой • Приходится проявляться изворотливость!
- 57. Мораль про процесс • Запрофайлил, забенчмаркал, попробовал • Намылил, прополоскал, отжал, повторил • Каждый лишний 1% не лишний • Курочка по зернышку…
- 58. ВОПРОСЫ?!!