Компилятор LLVM для MultiClet: бенчмарк WhetStone

В разговорах о мультиклеточной архитектуре ранее часто обсуждалась её применимость к той или иной задаче в контексте количества присутствующего в ней естественного параллелизма. Так, при выполнении различных бенчмарков, в частности, CoreMark, велась речь о несоответствии таких программ мультиклеточной архитектуре, ввиду достаточно жесткой последовательности алгоритма, не позволяющего клеткам внутри группы извлекать достаточное количество параллельно исполняемых в ходе работы команд. В данной статье мы оценим мультиклеты в более показательных условиях — при помощи бенчмарка WhetStone.


Тест WhetStone отличается в выгодную сторону от CoreMark характером проводимых в нем вычислений: все входящие в него тесты, за исключением теста скорости условных переходов, в той или иной степени обладают внутренним параллелизмом. Тестирование производилось в двух вариантах. В первом, — Multiclet R1, — производилась компиляция актуальной версией компилятора LLVM с опциями:

-ffast-math -fno-builtin -O3

Во втором варианте, — Multiclet R1*, — тестирование производилось с внедрением в «ручном режиме» перспективных оптимизаций, добавляемых в настоящее время к компилятору. Ручная доработка сводилась к помощи компилятору в увеличении линейных участков методом объединения нескольких итераций цикла.

Результаты

Система	MHz	MWIPS/MHz	MFLOPS1/ MHz	MFLOPS2/ MHz	MFLOPS3/ MHz	COS MOPS/ MHz	EXP MOPS/ MHz	FIXPT MOPS/ MHz	IF MOPS/ MHz	EQUAL MOPS/ MHz
Multiclet R1*	100	0.721	0.256	0.212	0.162	0.018	0.008	3.569	0.417	1.57
RPi 2 v7-A7	1000	0.585	0.28	0.291	0.248	0.011	0.006	1.314	1.209	0.981
RPi 3 v8-A53	1200	0.604	0.276	0.29	0.248	0.01	0.007	1.267	1.561	1.014
ARM v8-A53	1300	0.642	0.268	0.241	0.239	0.028	0.004	1.197	1.436	0.439
Core i7 4820K	3900	0.887	0.341	0.308	0.167	0.023	0.014	0.998	1.504	0.251
Core i7 1 CP	3066	0.873	0.325	0.295	0.174	0.025	0.013	0.892	0.958	0.167
Phenom II	3000	0.799	0.307	0.27	0.111	0.026	0.016	0.835	1.001	0.167
Athlon 64	2211	0.785	0.308	0.272	0.104	0.026	0.016	0.832	0.999	0.187
Turion 64 M	1900	0.884	0.302	0.258	0.145	0.026	0.016	0.827	0.988	0.187
Core i5 2467M	2300	0.853	0.296	0.298	0.163	0.022	0.013	0.807	0.993	0.222
Core 2 Duo 1 CP	2400	0.885	0.337	0.307	0.198	0.024	0.012	0.804	0.81	0.176
Celeron C2 M	2000	0.868	0.297	0.296	0.194	0.023	0.012	0.778	0.781	0.172
Core 2 Duo M	1830	0.878	0.337	0.305	0.197	0.024	0.012	0.751	0.785	0.174
Multiclet R1	100	0.311	0.157	0.153	0.029	0.018	0.008	0.714	0.081	0.143
Celeron M	1295	0.832	0.324	0.297	0.178	0.022	0.012	0.631	0.923	0.173
Raspberry Pi	1000	0.391	0.137	0.146	0.123	0.009	0.004	0.617	1.014	0.805
Athlon XP	2088	0.856	0.307	0.274	0.139	0.026	0.016	0.576	0.998	0.166
Pentium Pro	200	0.79	0.332	0.278	0.146	0.023	0.013	0.575	0.755	0.149
Athlon4 Barton	1800	0.846	0.305	0.272	0.137	0.026	0.016	0.571	0.988	0.165
Celeron A	450	0.76	0.291	0.276	0.14	0.022	0.012	0.569	0.751	0.147
Pentium 4E	3000	0.39	0.182	0.164	0.058	0.014	0.006	0.323	0.27	0.126
Atom M	1600	0.348	0.176	0.157	0.051	0.01	0.007	0.252	0.744	0.11
Pentium 4	1900	0.383	0.214	0.188	0.056	0.012	0.006	0.241	0.427	0.118
Pentium MMX	200	0.615	0.328	0.267	0.079	0.025	0.013	0.198	0.73	0.186
Pentium	100	0.604	0.322	0.267	0.078	0.025	0.013	0.192	0.568	0.183
80486DX2	66	0.182	0.076	0.068	0.026	0.008	0.005	0.105	0.212	0.017
*Вариант использования перспективных оптимизаций компилятора LLVM

Видно, что по показателю MWIPS/MHz мультиклеты смотрятся гораздо увереннее, чем по показателю CoreMark/MHz (цифры опубликованы ранее в статье). Мы можем заметить следующее:

• Применение оптимизаций, увеличивающих длину линейных участков, увеличивает общий показатель MWIPS/MHz приблизительно в полтора раза.
• Такие оптимизации существенно расширяют эффективную область применимости мультиклеточных процессоров, за счет высвобождения ранее скрытого в задаче внутреннего параллелизма.

Тесты, входящие в WhetStone, можно условно разделить на четыре группы. В первую группу входят тесты на производительность вычислений с плавающей точкой. Результаты этих тестов определяют показатели MFLOPS1, MFLOPS2, MFLOPS3. Видно, что применение дополнительных оптимизаций компилятора LLVM дает существенное ускорение во всех трёх тестах.

Рассмотрим природу получаемого ускорения на примере показателя MFLOPS1 и исследуем, за счет чего достигается такой результат, на примере первого теста арифметики с плавающей запятой. Код теста на Си:

timea = dtime(); 
	 { 
	    for (ix=0; ix<xtra; ix++) 
	      { 
		for(i=0; i<n1*n1mult; i+=5) 
		  { 
		      e1[0] = (e1[0] + e1[1] + e1[2] - e1[3]) * t; 
		      e1[1] = (e1[0] + e1[1] - e1[2] + e1[3]) * t; 
		      e1[2] = (e1[0] - e1[1] + e1[2] + e1[3]) * t; 
		      e1[3] = (-e1[0] + e1[1] + e1[2] + e1[3]) * t; 
		  } 
		t = 1.0 - t; 
	      } 
	    t =  t0;                    
	 } 
timeb = dtime();

При компиляции теста существующей версией LLVM мы получим следующий ассемблерный код для тела внутреннего цикла:

jmp LBB2_4 
	SR4	:=	rdq #IR7, 2160 
	SR5	:=	rdq #IR7, 2152 
	SR6	:=	rdq #IR7, 2144 
	SR7	:=	rdq #IR7, 2136 
	SR8	:=	rdq #IR7, 2128 
	SR9	:=	rdq #IR7, 2120 
	SR10:=	subf @SR6, @SR5 
	SR11:=	subf @SR5, @SR6 
	SR12:=	addf @SR5, @SR6 
	SR5	:=	addf @SR10, @SR4 
	SR10:=	addf @SR11, @SR4 
	SR4	:=	addf @SR10, @SR7 
	SR7	:=	mulf @SR4, @SR8 
	SR10:=	addf @SR5, @SR7 
	SR5	:=	subf @SR4, @SR10 
	SR11:=	subf @SR10, @SR4 
	SR4	:=	mulf @SR10, @SR8 
	SR10:=	mulf @SR5, @SR8 
	SR5	:=	addf @SR12, @SR10 
	SR10:=	addf @SR11, @SR5 
	SR11:=	mulf @SR5, @SR8 
	SR5	:=	mulf @SR10, @SR8 
	SR10:=	addf @SR5, @SR6 
	SR5	:=	mulf @SR10, @SR8 
			wrq @SR9, #IR7, 2760 
			wrq @SR5, #IR7, 2752 
			wrq @SR11, #IR7, 2744 
			wrq @SR4, #IR7, 2736 
			wrq @SR7, #IR7, 2728

Видно, что многие инструкции в таком параграфе могут выполняться параллельно. Однако объединение нескольких итераций в одну позволяет существенно удлинить участок кода, исполнение которого происходит внутри межклеточной среды без использования памяти, а также позволяет экономить время на сохранении промежуточных результатов между итерациями.


Вторая группа тестов оценивает скорость работы основных математических функций и характеризуется показателями COS MOPS и EQUAL MOPS. Оптимизации компилятора не оказывают заметного влияния на показатели данных тестов, поскольку основная нагрузка ложится на математическую библиотеку. Существенное негативное влияние на результат этих тестов оказал факт того, что используемая математическая библиотека писалась под старый процессор P1 и не использовала многие преимущества более нового процессора R1.

В третью группу тестов можно объединить тесты производительности целочисленной арифметики (показатель FIXPT MOPS) и производительности работы с массивами (показатель EQUAL MOPS). На тесты данной группы влияют все процессы, повышающие производительность в первой группе, кроме того, увеличенные линейные участки, полученные путем объединения итераций цикла, могут быть оптимизированы стандартными средствами оптимизации компилятора LLVM. Эти оптимизации существенно сокращают число необходимых промежуточных вычислений и приводят к тому, что итоговые показатели тестов для R1 оказываются в 1,5...2 раза выше аналогичных показателей Intel и ARM.

К последней группе отнесём тест производительности выполнения условных переходов с показателем IF MOPS. Невысокие показатели данного теста обусловлены строгой последовательностью теста и, как следствие, отсутствием необходимого количества параллелизма.

Таким образом, текущая ревизия процессора, при достаточной длине линейного участка и достаточном количестве взаимонезависимых команд внутри него, обеспечивает скорости исполнения, сопоставимые с актуальными версиями ядер семейства ARM и Intel. Неплохие результаты достигаются для показателей MFLOPS1, MFLOPS2, MFLOPS3. Превосходные результаты по показателям FIXPT MOPS и EQUAL MOPS связаны не только с особенностями работы мультиклеточной архитектуры, но и с результатами компиляторных оптимизаций алгоритма, производимых на увеличенных линейных участках, что приводит к некоторому завышению результатов в этом тесте за счет сокращения числа выполняемых действий. Не слишком хорошие показатели COS MOPS и EXP MOPS определяются недостаточным вниманием к оптимизации математической библиотеки и будут улучшены в будущем.

Что касается самого компилятора, то с момента написания прошлой статьи его функционал для мультиклеточной архитектуры был заметно расширен:

1. Добавлена поддержка 64-х разрядной целочисленной арифметики.
2. Добавлена возможность генерирования отладочной информации.
3. Добавлена цель (опция -target), обеспечивающая генерацию ассемблерного кода только с использованием вещественной арифметики одинарной точности (типы double, long double имеют размер 32 бита, как тип float).
4. Добавлены опции компилятора, обеспечивающие использование только 32-х разрядных инструкций записи (необходимость в этом возникла из-за особенности реализации внешней памяти процессора R1, в которую можно писать только 32-х разрядные значения).
5. Оптимально реализованы библиотечные функции memset(), memcpy(), memmov().
6. Были проведены исследования возможности поддержки компилятором векторных инструкций, результаты которых не выявили необходимости в реализации данной возможности из-за ограниченности набора векторных инструкций, поддерживаемых самим процессором R1.

В целом компилятор LLVM обновлён до версии 3.8.1.