进入多核时代的C++

最新推荐文章于 2024-09-12 11:24:47 发布

闪破风浪

最新推荐文章于 2024-09-12 11:24:47 发布

阅读量1.6k

点赞数

分类专栏：编程基础文章标签： iterator parallel filter random pair struct

编程基础专栏收录该内容

28 篇文章 0 订阅

订阅专栏

进入多核时代的C++

几年之前，CPU的性能还主要取决于CPU的主频，经过超摩尔定律的发展后，没过多长时间CPU的主频速度就已接近“极限”，使得单单靠提高CPU的主频来提升性能变得非常困难。

    目前，Intel、AMD等CPU生产商都转而采用了多核技术来提升CPU性能，甚至提出了群核CPU的概念。这意味着，要充分发挥多核CPU的性能，程序就必须采用多线程并发计算的方式，传统的串行程序将会极大地浪费多核CPU的运算能力！
    C++是上世纪80年代诞生的语言，它的前身是同样风靡全球的C语言。一直以来它都以代码效率卓越著称，进入多核时代后，因为C++标准库没有提供多线程支持，要用C++开发出充分利用多核CPU的程序将面临很大挑战。
    于是，在C++社区出现了不少优秀的库以支持并行编程，如各种跨平台的线程库，OpenMP，Clik++等。另一方面，微软也从Win2K开始不断地加入线程池API（如QueueUserWorkItem），C++09标准也明确地表示要加入多线程的支持。

    使用线程库编写并行程序的优点是可以精确调度各个线程，并且可以在所有C++编译器里使用。不过要充分发挥多核CPU的性能，还要考虑很多因素，主要难点有：

· 死锁编写多线程必然会遇到同步问题，如果同步控制出现问题，就可能出现死锁或脏数据。

· 线程之间通信使用何种机制在多个线程之间通信？即要保证通信数据同步又要保证效率。

· 负载平衡分配到每个线程的工作量要尽量平衡，避免一个线程忙一个线程闲的情形发生。

· 资源匹配程序应该使用多少个线程？过少的线程不能充分利用CPU的多核优势，而过多的线程会造成线程调度过于频繁同样会降低效率。

    OpenMP是目前比较流行的C++并行编程方式，它通过在代码中插入专用的pragma编译指令来指示编译器把串行代码编译成并行程序。
    它的优点是易于使用，几乎不用修改原代码就可对老程序进行并发支持的改造。问题是它必须要有编译器的支持，尽管目前不少编译器都提供了OpenMP的支持，但它毕竟不是C++的一部分，甚至它都不是真正意义上的C++库。使用OpenMP的C++代码看上去总是有些怪异（个人观点^_^）。

    现在，我们又有了一个新选择：Intel Thread Building Blocks（TBB，线程构建模块）。TBB是一个开源的C++模板库，能够运行在 Windows、Linux、Macintosh以及UNIX等系统上，只要是标准的C++编译器都可以使用它。

TBB的功能和优势

功能	优势
基于任务的并行化	在逻辑任务而非物理线程的角度来指定线程功能 · 让开发者关注更高层的可扩展任务级模式而非底层的线程机制 · 使用被证实可有效利用多内核的数据分解提取技术 · 自动负载平衡 · 高效地支持嵌套并行化，允许从一个并行组件中建立出一个新的并行组件
并行算法	从库中选择高效并行算法模板，即可快速地获得多核处理器带来的优势。 · 快速应用为并行性能及可量测性而设计的算法。 · 范型模板让你轻易地把它们定制成你所需要的算法。 · 支持简单插件部署到应用中提升软件速度，优化内核和本地缓存。 · 依靠预置的并行结构，在很多情况下都能减少生产多线程软件的工作量。
跨平台支持	编写一次应用就可以部署到多个操作系统中。 · 为32位和64位的Windows、Linux 和 Mac OS* X 平台提供一种解决方案。 · 支持Intel、Microsoft及GNU的业界领先的编译器。 · 加快在多种多核平台中部署应用软件的速度。
程序库级解决方案	只需花费很小的精力就可得到高优化的并行功能。 · 你的 C++ 应用程序只需调用Intel Threading Building Blocks 库。 · 标准 C++ - 不需要使用新语言重写代码。 · 兼容其它线程包。 · 可无限制地和你的软件一起分发运行时库。 · 无缝整合到已有的开发环境中。
高并发容器	优化处理器的能力实现任务并发 · 使用线程安全并且高并发的接口简化多线程应用的开发。 · 使用预测试的数据结构提升应用软件质量。 · 更高效率的内核或处理器多路执行来提升应用软件性能。

示例：

用TBB写并行transform代替原std::transform

1. #include <iostream>

2. #include <algorithm>

3. #include <vector>

4. #include <list>

5. #include <math.h>

6. #include <tbb/task_scheduler_init.h>

7. #include <tbb/blocked_range.h>

8. #include <tbb/parallel_for.h>

9. #include <tbb/pipeline.h>

10. #include <tbb/tick_count.h>

11. //-----------------随机存取迭代器版本-------------------------------------

12. //both_random_helper，作用:测试两个模板是否都是random_access_iterator_tag

13. //是则Iter_cat返回random_access_iterator_tag

14. //否则返回forward_iterator_tag

15. template<class _Cat1, class _Cat2>

16. struct both_random_helper{

17. typedef std::forward_iterator_tag Iter_cat;

18. };

19. template<>

20. struct both_random_helper<

21. std::random_access_iterator_tag,

22. std::random_access_iterator_tag>{

23. typedef std::random_access_iterator_tag Iter_cat;

24. };

25. // 用于存放一对迭代器

26. template<class _InIt, class _OutIt>

27. struct Iter_pair{

28. _InIt m_in;

29. _OutIt m_out;

30. Iter_pair(_InIt _in, _OutIt _out)

31. :m_in(_in),m_out(_out){}

32. //支持blocked_range拆分

33. Iter_pair operator+(size_t off) const

34. {

35. return Iter_pair(m_in+off, m_out+off);

36. }

37. size_t operator-(Iter_pair rhs) const

38. {

39. return m_in-rhs.m_in;

40. }

41. bool operator<(Iter_pair rhs) const

42. {

43. return m_in<rhs.m_in;

44. }

45. };

46. // 随机存取迭代器版本

47. template<class _InIt, class _OutIt, class _Fn1>

48. struct op_parallel_transform{

49. op_parallel_transform(_Fn1 _Func)

50. :m_Func(_Func){}

51. void operator()(const tbb::blocked_range<Iter_pair<_InIt,_OutIt> > &r) const

52. {

53. std::transform(r.begin().m_in, r.end().m_in, r.begin().m_out, m_Func);

54. }

55. private:

56. _Fn1 m_Func;

57. };

58. template<class _InIt, class _OutIt, class _Fn1>

59. _OutIt _parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func, std::random_access_iterator_tag)

60. {

61. // 使用parallel_for来处理

62. typedef typename Iter_pair<_InIt,_OutIt> iter_pair_type;

63. _OutIt LastDest = _Dest + (_Last - _First);

64. iter_pair_type begin(_First, _Dest);

65. iter_pair_type end(_Last, LastDest);

66. tbb::blocked_range<iter_pair_type> x(begin, end);

67. tbb::parallel_for(x, op_parallel_transform<_InIt,_OutIt,_Fn1>(_Func), tbb::auto_partitioner());

68. return LastDest;

69. }

70. //-----------------顺序存取迭代器版本-------------------------------------

71. template<class _InIt>

72. struct filter_in : tbb::filter{

73. filter_in(_InIt _First, _InIt _Last)

74. :tbb::filter(true),m_First(_First), m_Last(_Last){}

75. void* operator()(void*)

76. {

77. if(m_First==m_Last) return NULL;

78. void* p = &(*m_First);

79. ++m_First;

80. return p;

81. }

82. private:

83. _InIt m_First, m_Last;

84. };

85. template<class _Fn1>

86. struct filter_process : tbb::filter{

87. typedef typename _Fn1::result_type r_type;

88. typedef typename _Fn1::argument_type a_type;

89. filter_process(_Fn1 _Func)

90. :tbb::filter(false),m_Func(_Func){}

91. void* operator()(void* data)

92. {

93. a_type &at = *(a_type*)data;

94. m_r = m_Func( at );

95. return &m_r;

96. }

97. private:

98. _Fn1 m_Func;

99. r_type m_r;

100. };

101. template<class _OutIt, class _DataType>

102. struct filter_out : tbb::filter{

103. filter_out(_OutIt _Dest)

104. :tbb::filter(true),m_Dest(_Dest){}

105. void* operator()(void* data)

106. {

107. _DataType *p = (_DataType*) data;

108. *m_Dest = *p;

109. ++m_Dest;

110. return NULL;

111. }

112. private:

113. _OutIt m_Dest;

114. };

115. template<class _InIt, class _OutIt, class _Fn1>

116. _OutIt _parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func, std::forward_iterator_tag)

117. {

118. // 使用管线pipeline来处理

119. tbb::pipeline pipeline;

120. filter_in<_InIt> f1(_First, _Last);

121. filter_process<_Fn1> f2(_Func);

122. filter_out<_OutIt, _Fn1::result_type> f3(_Dest);

123. pipeline.add_filter(f1);

124. pipeline.add_filter(f2);

125. pipeline.add_filter(f3);

126. pipeline.run(3);

127. return _Dest;

128. }

129. //----------------------parallel_transform----------------------------

130. template<class _InIt, class _OutIt, class _Fn1>

131. inline

132. _OutIt parallel_transform(_InIt _First, _InIt _Last, _OutIt _Dest, _Fn1 _Func)

133. {

134. typedef typename std::iterator_traits<_InIt>::iterator_category cat1;

135. typedef typename std::iterator_traits<_OutIt>::iterator_category cat2;

136. return _parallel_transform(_First, _Last, _Dest, _Func, both_random_helper<cat1,cat2>::Iter_cat());

137. }

138. // 测试代码

139. struct SinFunctor

140. :std::unary_function<double, double>{

141. double operator()(double &d) const

142. {

143. // 高强度运算

144. double sum = 0;

145. for(int i=0; i<10000; i++) sum += sin(i*d);

146. return sum;

147. }

148. };

149. int main()

150. {

151. // 随机存取迭代

152. std::vector<double> a(10000,1.5);

153. // 顺序存取迭代

154. std::list<double> b(10000,1.5);

155. tbb::task_scheduler_init init;

156. tbb::tick_count t0,t1;

157. t0 = tbb::tick_count::now();

158. parallel_transform(a.begin(), a.end(), a.begin(), SinFunctor());

159. t1 = tbb::tick_count::now();

160. std::cout << "并行（随机迭代）" << (t1 - t0).seconds() << std::endl;

161.

162. t0 = tbb::tick_count::now();

163. std::transform(a.begin(), a.end(), a.begin(), SinFunctor());

164. t1 = tbb::tick_count::now();

165. std::cout << "原版（随机迭代）" << (t1 - t0).seconds() << std::endl;

166. t0 = tbb::tick_count::now();

167. parallel_transform(b.begin(), b.end(), b.begin(), SinFunctor());

168. t1 = tbb::tick_count::now();

169. std::cout << "并行（顺序迭代）" << (t1 - t0).seconds() << std::endl;

170. t0 = tbb::tick_count::now();

171. std::transform(b.begin(), b.end(), b.begin(), SinFunctor());

172. t1 = tbb::tick_count::now();

173. std::cout << "原版（顺序迭代）"<< (t1 - t0).seconds() << std::endl;

174.

175. std::cin.get();

176. return 0;

177. }

在我的双核Centrino电脑上测试结果如下：

并行（随机迭代）3.17299

原版（随机迭代）5.41531

并行（顺序迭代）3.13054

原版（顺序迭代）5.33182

    在顺序存取迭代器版本的_parallel_transform中，因为迭代器不能随意跳转，所以使用了tbb::pipeline加三个filter分别执行顺序读取，处理和写入。其中的处理是可以并行处理的。从上面的结果可以看出，pipeline的性能甚至不亚于parallel_for循环。关于 pipeline的使用说明，请参考文章：TBB流水线
    这里写的parallel_transform可以直接替换大家原有代码中的std::transform，当然如果有兴趣的话完全可以把标准库中的算法全用TBB改写成并行算法。不过要注意的一点是并不是任何地方都适合使用并行运算的，象这个例子中测试用的处理算子是“for(int i=0; i<10000; i++) sum += sin(i*d);”这样的需要耗时较长的运算，如果把它改成“return sin(d);”。那么考虑到线程调度以及TBB的任务调度，并行算法的效率可能还不如串行算法。

    TBB库可以从这里下载：http://www.threadingbuildingblocks.org/download.php
    另外再推荐几篇TBB入门文章：
    Intel Threading Building Blocks 之并行循环
    Intel Threading Building Blocks 之并发容器
    Intel Threading Building Blocks 基于任务编程

相信度过了自己的20岁生日之后的C++，在多核时候将再创辉煌！