自上而下的分析法

自上而下的分析法是基于事件指标的层次组织,识别应用程序中的主要性能瓶颈。
目的是显示在运行应用程序时 CPU pipeline 的平均利用率

Topdown 是一种快速识别乱序处理器中真正瓶颈的实用方法。Topdown 只能帮助解决 CPU 受限问题。 如果瓶颈在其他地方,则必须使用其他方法。 非 CPU 瓶颈可以是网络、阻塞延迟(例如同步)、磁盘 IO、显卡等。 Topdown 根据 CPU 的 Pipeline 处理流程将性能瓶颈分成了四类:Frontend Bound,Bad Speculation,Retiring,Backend Bound。
Frontend Bound
Frontend 是 Pipeline 的第一部分,包括了获取分支预测器预测的下一个地址、获取缓存行、解析指令、解码 Backend 之后可执行的微操作等步骤。 因此 Frontend Bound 占比大的话,意味着获取指令、解析指令等核心部分是程序的瓶颈所在,也就是 ITLB miss 或 Icache miss 等情况。
Bad Speculation
错误推演反映了由于错误推演而浪费的 slot 资源。 其中包括两部分:1、发射最终不会 retired 的微指令; 2、由于从早期的错误推演中恢复而导致 pipeline 被阻塞。 例如,在错误推演的分支下发射的微指令导致的 slot 资源浪费属于此分类。
Retiring
Ritiring 反映了发射的指令真正被架构执行最后 Retired 的占比,一个理想的程序是 Retiring 的占比为100%。因此 Retiring 占比越高,反映了程序被浪费的资源越少,效率越高。
Backend Bound
Backend 是 pipeline 的后半部分,Frontend Bound 反映了指令被解码成微指令被发射后,在指令执行阶段没有交付到下一阶段的情况,造成 Backend Bound 的情况可能:data-cache miss 或者 Divider 过载导致的阻塞等。Backend bound 可以分为 core bound 和 memory bound。
什么样的占比,说明性能更好
根据下面的图片,推算 Retiring 越高越好,Bad Speculation 越少越好。

某文档中的优化参考
实例代码


代码的初步分析结果

优化分析

初步优化结果

最终优化结果

参考:
https://www.cnblogs.com/cilinmengye/p/18546908#tma%E5%88%86%E6%9E%90%E5%8E%9F%E7%90%86
https://aijishu.com/a/1060000000388928
https://indico.cern.ch/event/1177921/attachments/2493849/4282924/linux-perf.pdf

浙公网安备 33010602011771号