原博客:http://blog.jobbole.com/28219/
很普通的一个求矩阵转置的程序。但是,当MATSIZE取512和513的时候,出现了非常有意思的结果:513竟然比512快。更进一步的研究发现,size=512的时候,运算速度会比同数量级的其它数字慢很多很多。这是怎么一回事呢?
#define SAMPLES 1000
#define MATSIZE 513
#include <time.h>
#include <stdio.h>
int mat[MATSIZE][MATSIZE];
void transpose()
{
int aux ;
int i,j;
for (i = 0 ; i < MATSIZE ; i++ )
for (j = 0 ; j < MATSIZE ; j++ )
{
aux = mat[i][j];
mat[i][j] = mat[j][i];
mat[j][i] = aux;
}
return;
}
int tst_main()
{
//initialize matrix
int i,j;
int t, elapsed;
for (i = 0 ; i < MATSIZE ; i++ )
for (j = 0 ; j < MATSIZE ; j++ )
{
mat[i][j] = i+j;
}
t = clock();
for (i = 0 ; i < SAMPLES ; i++ )
{
transpose();
}
elapsed = clock() - t;
printf("Average for a matrix of:%d:%d\n", MATSIZE, elapsed / SAMPLES);
return 0;
}
int main()
{
tst_main();
}
很容易就联想到,造成这个问题的原因是CPU Cache.原作者没有给出他的CPU型号,但是如今的pc几乎都是采用的set associative的cache结构,下面用64bits CPU 的2-way set associate来做例子,讲解一下cache的工作原理。
CPU 2-way set associate Cache结构如上图所示。Cache由Cache Set组成,2-way 表示每个Set里面有2条记录(Cache Line),每条记录包括16个字节(如上图)。CPU得遍历这两条记录,比较前面50位的Tag,如果Tag一样,并且Valid bit(V)=1,那么恭喜你,你的数据在Cache里面,如果遍历完这两条记录,还是没有找到Tag的话,那么很遗憾,你的数据不在Cache里,得从内存里读。从内存里获取相应的数据,然后把它存到对应的Cache Set里,如果Set里有空位的话最好,如果没有的话,用LRU来替换。因为一个Set里只有2条数据,所以实现LRU仅仅需要一个额外bit就可以了,非常高效。
依据cache的这种结构,一个内存地址(Memory address),可以划分为tag,block,word,byte 4个部分,其中CPU Cache的大小决定了block的位数。如上图10bits的block,对应了1024个Cache Set(共计8KB),内存地址的block固定了,就必须存储在相应的Set里面,这样可以把查询cache的事件从O(n)缩短为O(1)。
可能有人会觉得奇怪,为什么block不是取的最前面的10bits,这当然是有道理的,通常在内存里数据都是连续存放的,就是说,同一段程序用的数据,他们前10位几乎都是一样的,如果用前10位来定位block,那么collision的发生率非常高,cache效率非常低下,所以才选了后面的10位来定位block。
举个例子,block是1023(1111111111),你的数据就放在第1023个set里面。CPU首先遍历第1023个Cache Set里的两条记录,比较前面50位的tag,如果tag一样,并且Valid bit(V)=1,那么说明数据在Cache里面,接着就可以通过内存地址的word和byte域来读取Cache Line(16Bytes)中的数据了。否则得从内存读取数据。
好了,背景知识介绍的差不多了,让我们回到这个问题上来。为什么512大小的矩阵,会比其它数字慢那么多?
让我们来计算一下,512×512的int矩阵,在内存里是连续存放的。每个cache line是16bytes,对应4个int,所以一个n阶矩阵的row可以填充n/4个cache set。假设第一个数据a[0][0]正好对应cache set 0,那么其中每一个数据a[i][j]对应的cache set是(512*i+j)/4%1024=(128i+j/4)%1024。可以看到,前面的系数正好可以整除。很不巧的是,在进行矩阵转置的运算时,在第2个for循环中,我们需要依次访问每一个row中对应i的值。这样会造成下面的结果:假设i=0,
set(a[0][0])=0;
set(a[1][0])=128;
set(a[2][0])=256;
set(a[3][0])=384;
set(a[4][0])=512;
set(a[5][0])=640;
set(a[6][0])=768;
set(a[7][0])=896;
set(a[8][0])=0;
set(a[9][0])=128;
…
set(a[15][0])=896;
到a[15][0]的时候刚好填完整个cache的所有128整数倍的set,当读取a[16][0]的时候,将会发生replace,把a[0][0]从cache里移除。这样,当源程序的i=1时,将完全重复i=0的计算过程,每次取数据都需要先从memory读到cache中来,cache的作用完全没有体现。
而当size=513的时候,事情就不一样了,mat[i][j]对应的cache set是(513*i+j)/4%1024,前面的系数除不尽了,每递增4次结果会比size=512时偏差1,例如:
set(a[0][0])=0;
set(a[1][0])=128;
set(a[2][0])=256;
set(a[3][0])=384;
set(a[4][0])=513;
set(a[5][0])=641;
…
这样就很微妙的把Cache Set给错开了。a[16][0]不在第0行而是第4行,不会覆盖之前的数据。即使将全部的a[0-15][i]都读入cache,也不会发生碰撞。之后,由于一个cache有4个word,a[0-15][i+1],a[0-15][i+2],a[0-15][i+3]也同时被读进cache里了,所以计算i+1,i+2,i+3时,仅仅需要读对应行的数据就可以了,同一行的数据都是连续的,所以碰撞率很低。这个计算过程很好的利用了cache,如果不考虑其他因素(实际上,这个已经是影响运行时间的最大因素了),理论上我们可以节省75%的运行时间,可以看到,这个理论预测是和提问者给的数据相符合的。
总之,当你的data size是128的整数倍的时候,得特别小心,搞不好cache collision就把你的程序给拖慢了呢。