Я попытался измерить асимметричные эффекты доступа к памяти NUMA и не удалось.
Эксперимент
Выполняется на процессоре Intel Xeon X5570 @2,93 ГГц, 2 процессора, 8 ядер.
В потоке, прикрепленном к ядру 0, я выделяю массив x размером 10 000 000 байт на ядре 0 NUMA node с помощью numa_alloc_local. Затем я перебираю массив x 50 раз и читаю и записываю каждый байт в массиве. Измерьте прошедшее время, чтобы выполнить 50 итераций.
Затем на каждом из других ядер моего сервера я пишу новый поток и снова измеряю прошедшее время, чтобы выполнить 50 итераций чтения и записи для каждого байта в массиве x.
Массив x является большим, чтобы минимизировать эффекты кеша. Мы хотим измерить скорость, когда процессор должен полностью работать с ОЗУ для загрузки и хранения, а не при использовании кэшей.
На моем сервере есть два узла NUMA, поэтому я ожидаю, что ядра, имеющие сродство к одному и тому же node, в котором выделяется массив x, чтобы иметь более быстрая скорость чтения/записи. Я этого не вижу.
Почему?
Возможно, NUMA применима только для систем s > 8-12 ядрами, как я уже сказал, в другом месте?
http://lse.sourceforge.net/numa/faq/
numatest.cpp
#include <numa.h>
#include <iostream>
#include <boost/thread/thread.hpp>
#include <boost/date_time/posix_time/posix_time.hpp>
#include <pthread.h>
void pin_to_core(size_t core)
{
cpu_set_t cpuset;
CPU_ZERO(&cpuset);
CPU_SET(core, &cpuset);
pthread_setaffinity_np(pthread_self(), sizeof(cpu_set_t), &cpuset);
}
std::ostream& operator<<(std::ostream& os, const bitmask& bm)
{
for(size_t i=0;i<bm.size;++i)
{
os << numa_bitmask_isbitset(&bm, i);
}
return os;
}
void* thread1(void** x, size_t core, size_t N, size_t M)
{
pin_to_core(core);
void* y = numa_alloc_local(N);
boost::posix_time::ptime t1 = boost::posix_time::microsec_clock::universal_time();
char c;
for (size_t i(0);i<M;++i)
for(size_t j(0);j<N;++j)
{
c = ((char*)y)[j];
((char*)y)[j] = c;
}
boost::posix_time::ptime t2 = boost::posix_time::microsec_clock::universal_time();
std::cout << "Elapsed read/write by same thread that allocated on core " << core << ": " << (t2 - t1) << std::endl;
*x = y;
}
void thread2(void* x, size_t core, size_t N, size_t M)
{
pin_to_core(core);
boost::posix_time::ptime t1 = boost::posix_time::microsec_clock::universal_time();
char c;
for (size_t i(0);i<M;++i)
for(size_t j(0);j<N;++j)
{
c = ((char*)x)[j];
((char*)x)[j] = c;
}
boost::posix_time::ptime t2 = boost::posix_time::microsec_clock::universal_time();
std::cout << "Elapsed read/write by thread on core " << core << ": " << (t2 - t1) << std::endl;
}
int main(int argc, const char **argv)
{
int numcpus = numa_num_task_cpus();
std::cout << "numa_available() " << numa_available() << std::endl;
numa_set_localalloc();
bitmask* bm = numa_bitmask_alloc(numcpus);
for (int i=0;i<=numa_max_node();++i)
{
numa_node_to_cpus(i, bm);
std::cout << "numa node " << i << " " << *bm << " " << numa_node_size(i, 0) << std::endl;
}
numa_bitmask_free(bm);
void* x;
size_t N(10000000);
size_t M(50);
boost::thread t1(boost::bind(&thread1, &x, 0, N, M));
t1.join();
for (size_t i(0);i<numcpus;++i)
{
boost::thread t2(boost::bind(&thread2, x, i, N, M));
t2.join();
}
numa_free(x, N);
return 0;
}
Выход
g++ -o numatest -pthread -lboost_thread -lnuma -O0 numatest.cpp
./numatest
numa_available() 0 <-- NUMA is available on this system
numa node 0 10101010 12884901888 <-- cores 0,2,4,6 are on NUMA node 0, which is about 12 Gb
numa node 1 01010101 12874584064 <-- cores 1,3,5,7 are on NUMA node 1, which is slightly smaller than node 0
Elapsed read/write by same thread that allocated on core 0: 00:00:01.767428
Elapsed read/write by thread on core 0: 00:00:01.760554
Elapsed read/write by thread on core 1: 00:00:01.719686
Elapsed read/write by thread on core 2: 00:00:01.708830
Elapsed read/write by thread on core 3: 00:00:01.691560
Elapsed read/write by thread on core 4: 00:00:01.686912
Elapsed read/write by thread on core 5: 00:00:01.691917
Elapsed read/write by thread on core 6: 00:00:01.686509
Elapsed read/write by thread on core 7: 00:00:01.689928
Выполнение 50 итераций чтения и записи по массиву x занимает около 1,7 секунды, независимо от того, какое ядро выполняет чтение и запись.
Обновление:
Размер кэша на моих процессорах составляет 8 Мб, поэтому, возможно, массив 10 МБ Х недостаточно велик, чтобы исключить кеш-эффекты. Я попробовал массив 100Mb x, и Я попытался выпустить полный забор памяти с помощью __sync_synchronize() внутри моих внутренних петель. Он по-прежнему не обнаруживает никакой асимметрии между узлами NUMA.
Обновление 2:
Я пробовал читать и писать в массив x с помощью __sync_fetch_and_add(). Все еще ничего.
