GPU|Nvidia CUDA初级教程1 CPU体系架构综述

Nvidia CUDA初级教程1 CPU体系架构综述

视频:https://www.bilibili.com/video/BV1kx411m7Fk?p=2
【GPU|Nvidia CUDA初级教程1 CPU体系架构综述】讲师:周斌
本节内容:了解现代CPU的架构和性能优化:
  • 流水线 Pipelining
  • 分支预测 Branch Prediction
  • 超标量 Superscalar
  • 乱序执行 Out-of-Order (OoO) Excution
  • 存储器层次 Memeory Hierarchy
  • 矢量操作 Vertor Operations
  • 多核处理 Multi-Core
CPU 什么是CPU?
  • 执行指令、处理数据的器件
    • 完成基本的逻辑和算术指令
  • 现在增加了复杂功能
    • 内存接口
    • 外部设备接口
  • 包含大量的晶体管
    非常大(上亿…)
什么是指令?
  • 算术:add r4, r4 -> r4
  • 访存:load [r4] -> r7
  • 控制:jz end
对于一个编译好的程序,最优化目标:
c y c l e s i n s t r u c t i o n × s e c o n d s c y c l e \frac{cycles}{instruction}\times \frac{seconds}{cycle} instructioncycles?×cycleseconds?
CPI(每条指令的时钟数)&时钟周期
这两个指标彼此并不独立,会存在 trade-off。
桌面应用
桌面应用有以下特点:
  • 轻量级进程,少量线程
  • 大量分支和交互操作
  • 大量的存储器访问
  • 真正用于数值计算的指令很少
IO密集型程序
CPU性能优化 流水线
取指、译码、执行、访存、写回,逻辑上是串行的,但是在实际的CPU实现中,有大量并行优化的部分。流水线利用指令级并行 (instruction-level parallelism, ILP)
Pros: 极大地减小时钟周期
Cons: 但是会增加一些延迟和芯片面积
流水线带来的其他的问题:
  1. 具有依赖关系的指令怎样处理
  2. 分支怎么处理
  3. 流水线的长度,14级/20级?并不是越高越好
其他一些优化:
  • 旁路 Bypassing
  • 停滞 Stalls
  • 分支 Branches
分支预测
基于果蛆的分支记录,猜测下一条指令
现代分支预测器的准确度大于90%
Pros: 提升性能及能量效率
Cons: 面积增加、可能会增加延迟
分支断定
用条件语句替换分支
Pros:不适用分支预测器,减小面积,减少错误预测
超标量
常规 IPC (instructions/cycle) 受限于 1 instuction / clock
超标量:增加流水线的宽度
峰值IPC为N(N路超标量),但实际中,会有分支和调度产生的开销,需要一些技巧来接近峰值
Pros: 提升IPC
Cons: 增加了面积、N倍资源占用、旁路网络 N^2、需要更多寄存器和存储器带宽
指令调度
考虑如下指令:
xor r1, r2 -> r3 add r3, r4 -> r4 sub r5, r2 -> r3 addi r3, 1 -> r1

  • xor与add互相依赖 (Read-After-Write, RAW)
  • sub与addi互相依赖 (RAW)
  • xor与sub不依赖 (WAW) ,但是它们会用到同一个寄存器 r3
寄存器重命名
替换寄存器:
xor p1, p2 -> p6 add p6, p4 -> p7 sub p5, p2 -> p8 addi p8, 1 -> p9

现在xor与sub可以并行执行
乱序执行
重排指令,获得最大的吞吐率
  • 重排缓冲区 Reorder Buffer,记录所有执行中的指令状态
  • 发射队列/调度器 Issue Queue/Scheduler ,选择下一条执行的指令
Pros: IPC接近理想状态
Cons: 面积增加、功耗增加
存储器层次
  • 存储器越大越慢
缓存 caching
  • 将数据放在尽可能接近的位置
  • 利用:
    • 时间临近性:刚刚使用过的数据很可能会被再使用
    • 空间临近性:倾向于使用周围的临近的数据
缓存层次:
  • 硬件管理
    • L1、L2、L3缓存
  • 软件管理
    内存、磁盘
存储器的另外的考虑
  • 分区 banking
    • 避免多端口
  • 一致性 coherency
  • 控制器 memory controller
    • 多个通道,增加带宽
CPU内部的并行性
  • 指令级并行 ILP
    • 超标量
    • 乱序执行
  • 数据级并行 DLP
    • 矢量计算
  • 线程级并行 TLP
    • 同步多线程 SMT
    • 多核
向量运算
for (int i=0; i

数据级并行:
  • 单指令多数据 Single Instruction Multiple Data (SIMD)
    • 执行单元(ALU)很宽
    • 寄存器也很宽
for (int i=0; i

x86的向量运算
  • SSE2
  • AVX
线程级并行 线程
  • 线程组成
    • 指令流 instruction streams
    • 私有寄存器,程序计数器,栈
    • 共享全局变量
  • 程序员可以创建和销毁
  • 程序员或者OS都可以调度
多核
  • 将流水线完整复制
  • Sandy Bridge-E: 6 cores
    • 完整的核,除了最后一级缓存外,不共享其他资源
    • 继续保持摩尔定律
  • 多核程序核利用率的问题
锁、一致性和同一性
锁 lock
  • 问题:多个线程读写同一块数据
  • 解决方法:加锁
一致性 coherence
  • 问题:谁的数据是正确的?
  • 解决方法:缓存一致性协议
同一性 consistency
  • 问题:什么样的数据是正确的
  • 存储器同一性模型
新时代的计算技术
  • 能量墙
  • 常规传统单核处理器遇到物理约束,时钟频率 (perf/clock) 无法保持线性增长,免费的午餐要消失了
新摩尔定律
  • 处理器越来越胖,核越来越多
  • 单核的性能不会大幅提升
  • 另外一堵墙:存储器墙
处理器的存储器带宽无法满足处理能力的提升
结论
  • CPU为串行程序优化:
    • 流水线、分支预测、超标量、乱序执行、…
    • 通过高时钟频率和高利用率来降低执行时间
  • 缓慢的内存带宽(存储器带宽)将会是大问题
  • 并行处理是方向
    • Sandy Bridge-E 6-12 活动线程
  • 如果有成千上万的活动线程并发执行呢?
Ref:
https://www.bilibili.com/video/BV1kx411m7Fk?p=2

    推荐阅读