Я сейчас портирую сложное приложение, ориентированное на производительность, для работы на новой машине с двумя сокетами. При этом я столкнулся с некоторыми аномалиями производительности и после долгих экспериментов обнаружил, что пропускная способность памяти на новой машине кажется значительно ниже, чем я ожидал.
В машине используется Supermicro X11DGQ материнская плата с 2 X Intel Xeon Gold 6148 процессоры и 6 x 32 ГБ оперативной памяти DDR4-2133 (всего 192 ГБ). Система работает под управлением Ubuntu 16.04.4 с ядром 4.13.
Я написал простую утилиту для проверки памяти, которая многократно запускается и memcpy
для определения средней продолжительности и скорости:
#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);
}
Затем я скомпилировал и запустил эту утилиту, используя размер буфера 64 МБ (значительно больше, чем размер кэша L3) в течение 10 000 циклов.
$ ./mem_test 64 10000
Memory Tester
Num loops: 10000
Buffer size: 64 MB
Duration: 17.9141 ms
Rate: 3572.61 MB/s
(такое же оборудование с одним физически удаленным процессором)
#./mem_test 64 10000
Memory Tester
Num loops: 10000
Buffer size: 64 MB
Duration: 11.2055 ms
Rate: 5711.46 MB/s
По просьбе коллеги я попытался запустить ту же утилиту, используя numactl
локализовать доступ к памяти только для первого узла numa.
$ 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
5711.43 / 3572.61 = 1.59867
Точно такой же тест в обеих конфигурациях показывает, что конфигурация с одним сокетом на ~ 60% быстрее.
я нашел этот вопрос что в чем-то похоже, но гораздо более подробно. Из одного из комментариев: «Заполнение 2-го сокета заставляет даже локальные промахи L3 отслеживать удаленный CPU ...».
Я понимаю концепцию отслеживания L3, но все же накладные расходы по сравнению с одним сокетом кажутся мне невероятно высокими. Ожидается ли поведение, которое я наблюдаю? Может ли кто-нибудь пролить больше света на то, что происходит и что я могу с этим поделать?