在執行uop計數不是處理器寬度倍數的循環時性能是否會降低？我想知道各種大小的循環如何在最近的x86處理器上執行，作為uop數的函數。以下是彼得·科德斯（Peter Cordes）的一句話，他在另一個問題中提出了非多數的問題：我還發現，如果循環不是4 uop的倍數，則循環緩沖區中的uop帶寬不是每個循環的常數4。（即它是abc，abc，......;不是abca，bcab，......）。遺憾的是，Agner Fog的microarch doc對循環緩沖區的這種限制并不清楚。問題是關于循環是否需要是N uop的倍數才能以最大uop吞吐量執行，其中N是處理器的寬度。（即最近的英特爾處理器為4）。在談論“寬度”和計算微動時，有很多復雜因素，但我大多想忽略這些因素。特別是，假設沒有微觀或宏觀融合。Peter給出了以下一個循環，其中包含7個uop的循環：一個7-uop循環將發出4 | 3 | 4 | 3 | ...的組我沒有測試更大的循環（不適合循環緩沖區），看看是否有可能從下一個指令開始迭代發布在與其分支相同的組中，但我不假設。更一般地說，聲稱是x在其體內具有uop 的循環的每次迭代將至少進行ceil(x / 4)迭代，而不是簡單地迭代x / 4。對于部分或全部最新的x86兼容處理器，這是真的嗎？
2 回答
翻翻過去那場雪
TA貢獻2065條經驗 獲得超14個贊
這是原始答案的后續內容，根據Andreas Abel提供的測試結果分析其他五種架構的行為：
Nehalem處理器
珊迪大橋
常春藤橋
Broadwell微架構
咖啡湖
除了Skylake和Haswell之外，我們還快速了解這些架構的結果。它只需要一個“快速”的外觀，因為除了Nehalem之外的所有架構都遵循上面討論的現有模式之一。
首先，短nop情況下運行傳統解碼器（對于不適合LSD的循環）和LSD。以下是針對所有7種體系結構的此方案的周期/迭代。
圖2.1：所有架構密集的nop性能：
這個圖表非常繁忙（點擊查看大圖）并且有點難以閱讀，因為許多架構的結果彼此重疊，但我試圖確保專用閱讀器可以跟蹤任何架構的線路。
首先，我們來討論一下這個大異常值：Nehalem。所有其他架構的斜率大致遵循4 uops / cycle周期線，但Nehalem每個周期幾乎正好是3 uop，因此很快落后于所有其他架構。在最初的LSD區域之外，該線路也是完全平滑的，沒有在其他架構中看到的“階梯”外觀。
這與Nehalem的uop 退休限制為3 uops / cycle 完全一致。這是LSD之外的uops的瓶頸：它們每個周期都執行大約3個uop，退休時瓶頸。前端不是瓶頸，所以準確的uop計數和解碼安排都無關緊要，因此沒有臺階。
除了Nehalem之外，其他架構，除了Broadwell之外，還可以分成幾組：Haswell-like或Skylake-like。也就是說，所有Sandy Bridge，Ivy Bridge和Haswell都表現得像Haswell，因為大于15 uops的循環（在另一個答案中討論了Haswell行為）。盡管它們是不同的微架構，但由于它們的傳統解碼能力相同，因此它們的行為基本相同。低于約15 uops，我們看到Haswell對于任何uop計數而言都要快一些，而不是4的倍數。由于更大的LSD或者還有其他“小循環”優化，它可能會在LSD中額外展開。對于Sandy Bridge和Ivy Bridge，這意味著小循環應該絕對定位一個uop計數，它是4的倍數。
Coffee Lake的行為與Skylake 1相似。這是有道理的，因為微架構是相同的。Coffee Lake看起來比Skylake低約16 uops，但這只是Coffee Lake默認的殘疾LSD的影響。Skylake已經通過啟用的LSD進行了測試，之后由于安全問題，英特爾通過微碼更新禁用了它?？Х群谶@個問題出現之后就被釋放了，所以LSD是開箱即用的。因此，對于此測試，Coffee Lake正在使用DSB（對于低于約18 uop的循環，仍然可以適合DSB）或傳統解碼器（對于其余循環），這樣可以獲得更好的小uop計數結果LSD強加開銷的循環（有趣的是，對于較大的循環，LSD和傳統解碼器碰巧強加完全相同的開銷，原因各不相同）。
最后，我們來看看2字節的NOP，它們不夠密集以防止使用DSB（因此這種情況更能反映典型代碼）。
圖2.1：2字節nop性能：
同樣，結果與前面的圖表一致。Nehalem仍然是每個周期3個uop的瓶頸。對于高達約60個uops的范圍，除了Coffee Lake之外的所有架構都使用LSD，我們看到Sandy Bridge和Ivy Bridge在這里表現稍差，四舍五入到下一個周期，因此只實現了4的最大吞吐量uops /循環如果循環中的uops數是4的倍數。在32 uops以上，Haswell和新uarchs的“展開”功能沒有任何影響，所以一切都大致相關。
Sandy Bridge實際上有一些uop范圍（例如，從36到44 uops），它比新架構表現更好。這似乎是因為并非LSD檢測到所有循環，并且在這些范圍內，循環由DSB提供。由于DSB通常更快，因此在這些情況下Sandy Bridge也是如此。
英特爾說的是什么
實際上，您可以在英特爾優化手冊第3.4.2.5節中找到專門處理此主題的部分，正如Andreas Abel在評論中所指出的那樣。在那里，英特爾說：
LSD擁有構建小“無限”循環的微操作。來自LSD的微操作分配在無序引擎中。LSD中的循環以采用分支結束到循環的開頭。循環結束時采用的分支始終是循環中分配的最后一個微操作。循環開始處的指令始終在下一個循環中分配。如果代碼性能受前端帶寬限制，則未使用的分配時隙會導致分配氣泡，并可能導致性能下降。英特爾微體系結構代碼名稱Sandy Bridge中的分配帶寬是每個周期四個微操作。當LSD中的微操作數導致未使用的分配插槽數量最少時，性能最佳。您可以使用循環展開來控制LSD中的微操作數。
他們繼續展示一個例子，由于LSD“四舍五入”，將循環展開一個因子2無助于性能，但是通過三個作品展開。這個例子很混亂，因為它實際上混合了兩個效果，因為展開更多也減少了循環開銷，因此減少了每次迭代的uop數。一個更有趣的例子就是將循環展開次數減少導致由于LSD舍入效應導致性能提高。
本節似乎準確描述了Sandy Bridge和Ivy Bridge的行為。上面的結果表明，這兩種體系結構都如上所述，并且對于分別具有4N + 3,4N + 2或4N + 1 uops的循環，您將丟失1,2或3個uop執行槽。
但是，Haswell及其后來的新性能尚未更新。如在另一個答案中所描述的，性能已經從上述簡單模型改進并且行為更復雜。
1在16 uops有一個奇怪的異常值，其中Coffee Lake表現比其他所有架構都差，甚至Nehalem（回歸率約為50％），但也許這個測量噪音？
- 2 回答
- 0 關注
- 959 瀏覽
添加回答
舉報
0/150
提交
取消