1 与 2 插槽 Intel Scalable(Skylake)处理器的 Memcpy 带宽比前者快约 1.6 倍?

1 与 2 插槽 Intel Scalable(Skylake)处理器的 Memcpy 带宽比前者快约 1.6 倍?

我正在移植一个复杂的性能导向应用程序,以便在新的双插槽计算机上运行。在移植过程中,我遇到了一些性能异常,经过多次试验后,我发现新机器上的内存带宽似乎比我预期的要慢得多。

该机器采用Supermicro X11DGQ主板配备 2 X英特尔至强金牌 6148处理器和 6 x 32 GB DDR4-2133 RAM(共 192 GB)。系统运行 Ubuntu 16.04.4,内核为 4.13。

我编写了一个简单的内存测试实用程序,它反复运行并计时memcpy以确定平均持续时间和速率:

#include <algorithm>
#include <chrono>
#include <cstring>
#include <iomanip>
#include <iostream>

#include <unistd.h>

const uint64_t MB_SCALER = 1024 * 1024L;

// g++ -std=c++11 -O3 -march=native -o mem_test mem_test.cc
int main(int argc, char** argv)
{
    uint64_t buffer_size = 64 * MB_SCALER;
    uint32_t num_loops = 100;

    std::cout << "Memory Tester\n" << std::endl;

    if (argc < 2)
    {
        std::cout << "Using default values.\n" << std::endl;
    }

    // Parse buffer size
    if (argc >= 2)
    {
        buffer_size = std::strtoul(argv[1], nullptr, 10) * MB_SCALER;
    }

    // Parse num loops 
    if (argc >= 3)
    {
        num_loops = std::strtoul(argv[2], nullptr, 10);
    }

    std::cout << "    Num loops:   " << num_loops << std::endl;
    std::cout << "    Buffer size: " << (buffer_size / MB_SCALER) << " MB" 
              << std::endl;

    // Allocate buffers
    char* buffer1 = nullptr;
    posix_memalign((void**)&buffer1, getpagesize(), buffer_size);
    std::memset(buffer1, 0x5A, buffer_size);

    char* buffer2 = nullptr;
    posix_memalign((void**)&buffer2, getpagesize(), buffer_size);
    std::memset(buffer2, 0xC3, buffer_size);

    // Loop and copy memory, measuring duration each time
    double average_duration = 0;    
    for (uint32_t loop_idx = 0; loop_idx < num_loops; ++loop_idx)
    {    
        auto iter_start = std::chrono::system_clock::now();

        std::memcpy(buffer2, buffer1, buffer_size);

        auto iter_end = std::chrono::system_clock::now();

        // Calculate and accumulate duration
        auto diff = iter_end - iter_start;
        auto duration = std::chrono::duration<double, std::milli>(diff).count();
        average_duration += duration;
    }

    // Calculate and display average duration
    average_duration /= num_loops;
    std::cout << "    Duration:    " << std::setprecision(4) << std::fixed 
              << average_duration << " ms" << std::endl;

    // Calculate and display rate
    double rate = (buffer_size /  MB_SCALER) / (average_duration / 1000);
    std::cout << "    Rate:        " << std::setprecision(2) << std::fixed 
              << rate << " MB/s" << std::endl;

    std::free(buffer1);
    std::free(buffer2);
}

然后我使用 64 MB 缓冲区大小(明显大于 L3 缓存大小)在 10,000 个循环中编译并运行了该实用程序。

双插座配置:

$ ./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    17.9141 ms
    Rate:        3572.61 MB/s

单插座配置:

(同一硬件,但物理上移除了一个处理器)

#./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    11.2055 ms
    Rate:        5711.46 MB/s

使用 numactl 的双套接字:

在同事的要求下,我尝试运行相同的实用程序,用于将numactl内存访问本地化到仅第一个 numa 节点。

$ numactl -m 0 -N 0 ./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    18.3539 ms
    Rate:        3486.99 MB/s

结果

5711.43 / 3572.61 = 1.59867

对两种配置进行完全相同的测试表明,单插槽配置速度快约 60%。

我发现这个问题这有点类似,但更加详细。来自其中一条评论:“填充第二个套接字会迫使即使本地 L3 未命中也会监听远程 CPU...”。

我理解 L3 监听的概念,但与单插槽情况相比,开销对我来说似乎仍然非常高。我看到的行为是预期的吗?有人能更清楚地说明发生了什么,以及我可以做些什么吗?

相关内容