Низкоуровневые оптимизации

Андрей Аксенов, Sphinx

Unigine Open Air 2013

Про что доклад

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

Низкий уровень?• Это, конечно, ассемблер– И только ассемблер– Иначе быть не может– Однако!

Низкий уровень

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

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”

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 == ???

Нам лозунг строить…

…а вам с ним жить

BENCH, BENCH, BENCH

– А давайте его отваром ромашки тогда.Толку не будет, но вреда тоже (c) Гиппократ

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

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

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”

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

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)

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 :)

RAM, L2 кеш• А давайте иначе:

вы мне – свою душу,а я вам – домашнийадрес епископаДиомида?

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

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

RAM, выводы

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!

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

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

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

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

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

CPU, про ветвления• if ( a!=0 ) { Doit(); } …

cmp eax, 0

jne Label1 ; branch point

call Doit

Label1:

…

• likely(), unlikely() etc

CPU, еще про ветвления• switch() vs простыня простых if()• Ни разу не эквивалентны!!!• switch() оптимизируется, if() нет• Эффект заметен от 3 (трех) значений

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

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++);

CPU, про FPU, SSEx• gcc 4.4.3, amd64• fpusum, 11214 usec• ssesum, 3414 usec

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;

Что нужно знать про cc/libc• Компилятор == gcc, MSVC, (припадочно) ICC• Про флаги сборки (arch, etc)• Про конвенции вызова• Про волшебные define-ы

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

• __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

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!

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

История любви1. 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

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

Шаг 3• Было

std::string currentPath;

DoRecursiveStuff ( currentPath, … );

• Стало +16.2% (currpath)BYTE sPath[128];

DoRecursiveStuff ( sPath, 0, … );

Шаг 4• Было

vector< pair<string,int> > forms;

Get ( forms );

Sort ( forms );

return forms[0];

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;

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)

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)

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)

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] ) …

Неявный шаг номер 0• BENCH, BENCH, BENCH• Как следствие profile, profile, profile• Черновик, замер, чистовик• Десяток чистовиков был закоммитан• Десяток черновиков сразу выкинут

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

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, …)

Сводка третьих фокусов• И еще несколько десятков всяких

удивительных мелочей• Из которых лично я…

Мораль про приемы• Приемов много, общее правило одно• Идеально вообще не работать!!!

Мораль про приемы• Но уж если работать приходится, то по

минимуму• Как именно схалявить – вопрос не всегда

простой• Приходится проявляться изворотливость!

Мораль про процесс• Запрофайлил, забенчмаркал, попробовал• Намылил, прополоскал, отжал, повторил• Каждый лишний 1% не лишний• Курочка по зернышку…

ВОПРОСЫ?!!