您的第一个代码(导致标题问题)是错误的,因为它覆盖了
rdtsc
和
rdtscp
结果与
cpuid
结果为EAX、EBX、ECX和EDX。
使用
lfence
而不是
CPUID
;在Intel和启用了Spectre缓解的AMD上,
篱笆
将序列化指令流,从而使用
RDSTC
.
记住,RDTSC计算参考周期,而不是核心时钟周期。
Get CPU cycle count?
关于RDTSC的更多信息。
你没有
CPUID
或
篱笆
在你的测量间隔内。但是你
做
有
RDTSCP
在测量间隔内。背靠背
RDTSCP
不快,
如果在没有预热CPU的情况下运行,64个参考周期听起来完全合理。空闲时钟速度通常比参考周期慢得多。
;1个参考周期等于或接近Intel CPU上的“贴纸”频率,例如最大非涡轮持续频率。例如,“4GHz”Skylake CPU上的4008兆赫。
这不是一条指令的时间安排
重要的是在另一条指令可以使用结果之前的延迟,而不是等到它从无序的后端完全退出之后的延迟。
RDTSC可用于定时
相对变化
一个加载或一个存储指令需要多长时间,但是开销意味着您将无法获得一个好的绝对时间。
不过,您可以尝试减去测量开销。例如
clflush to invalidate cache line via C function
. 另见以下内容:
Using time stamp counter and clock_gettime for cache miss
和
Memory latency measurement with time stamp counter
.
这是我通常用来分析短块指令的延迟或吞吐量(以及Uops融合域和未融合域)
. 调整您如何使用它来解决延迟瓶颈问题,比如这里,或者,如果您只想测试吞吐量,就不要这样做。例如用
%rep
使用足够多的不同寄存器阻塞以隐藏延迟,或使用
pxor xmm3, xmm3
经过一个短的街区,让无序的执行工作其魔力。(只要你不在前端遇到瓶颈。)
您可能希望使用NASM的smartalign包,或者使用yasm,以避免对align指令使用单字节nop指令墙。nasm默认为非常愚蠢的nop,即使在64位模式下,长nop总是受支持。
global _start
_start:
mov ecx, 1000000000
; linux static executables start with XMM0..15 already zeroed
align 32 ; just for good measure to avoid uop-cache effects
.loop:
;; LOOP BODY, put whatever you want to time in here
times 4 addsd xmm4, xmm3
dec ecx
jnz .loop
mov eax, 231
xor edi, edi
syscall ; x86-64 Linux sys_exit_group(0)
使用类似于此一行程序的东西来运行此程序,该行程序将它链接到静态可执行文件中,并使用
perf stat
,
每次更改源代码时都可以向上箭头并重新运行
:
(实际上,我把nasm+ld+可选的disassemble放到了一个shell脚本中,该脚本名为
asm-link
,以便在不分析时保存键入内容。分解确保循环中的内容就是
意味
特别是如果你有
%if
代码中的内容。而且,如果你想在测试你头脑中的理论的时候向后滚动,它就在你的终端上,就在配置文件之前。)
t=testloop; nasm -felf64 -g "$t.asm" && ld "$t.o" -o "$t" && objdump -drwC -Mintel "$t" &&
taskset -c 3 perf stat -etask-clock,context-switches,cpu-migrations,page-faults,cycles,branches,instructions,uops_issued.any,uops_executed.thread -r4 ./"$t"
3.9GHz下I7-6700K的结果
(电流)
perf
具有辅助列的单位缩放显示错误。它被固定在上游,但是Arch Linux还没有更新。):
Performance counter stats for './testloop' (4 runs):
4,106.09 msec task-clock # 1.000 CPUs utilized ( +- 0.01% )
17 context-switches # 4.080 M/sec ( +- 5.65% )
0 cpu-migrations # 0.000 K/sec
2 page-faults # 0.487 M/sec
16,012,778,144 cycles # 3900323.504 GHz ( +- 0.01% )
1,001,537,894 branches # 243950284.862 M/sec ( +- 0.00% )
6,008,071,198 instructions # 0.38 insn per cycle ( +- 0.00% )
5,013,366,769 uops_issued.any # 1221134275.667 M/sec ( +- 0.01% )
5,013,217,655 uops_executed.thread # 1221097955.182 M/sec ( +- 0.01% )
4.106283 +- 0.000536 seconds time elapsed ( +- 0.01% )
在我的i7-6700K(Skylake)上,
addsd
具有4个周期延迟,0.5C吞吐量。(即,如果延迟不是瓶颈,则每个时钟2个)。见
https://agner.org/optimize/
,
https://uops.info/
和
http://instlatx64.atw.hu/
.
每分支16个循环=每4个链16个循环
ADSD
=4周期延迟
ADSD
,重新生成Agner Fog的4个周期的测量结果,以超过100分之一的比例,即使对于这个包含少量启动开销和中断开销的测试也是如此。
选择不同的计数器进行记录。添加一个
:u
,像
instructions:u
对于性能,甚至只计算用户空间指令,不包括在中断处理程序期间运行的任何指令。我通常不这样做,所以我可以把这看作是对挂钟时间的解释的一部分。但如果你这样做了,
cycles:u
可以匹配
非常
紧密联系
说明:U
.
-r4
运行它4次并取平均值,这对于查看是否存在大量的运行变化非常有用,而不仅仅是从ECX的较高值中获取一个平均值。
调整初始ECX值,使总时间约为0.1到1秒,这通常很充足,尤其是当CPU快速上升到最大涡轮转速时(例如,Skylake具有硬件P状态和相当积极的能量性能偏好)。或禁用涡轮增压的最大非涡轮增压。
但这是以核心时钟周期为单位的,而不是以参考周期为单位的,因此不管CPU频率如何变化,它仍然会给出相同的结果。
. (+-转换过程中时钟停止时发出的一些噪音。)