如何确定CPE:每个元素的周期数

Question

如何确定程序的CPE？例如，我有一个循环的汇编代码：

# inner4: data_t = float
# udata in %rbx, vdata in %rax, limit in %rcx,
# i in %rdx, sum in %xmm1
1 .L87:                                   # loop:
2   movss  (%rbx,%rdx,4), %xmm0           #  Get udata[i]
3   mulss  (%rax,%rdx,4), %xmm0           #  Multiply by vdata[i]
4   addss  %xmm0, %xmm1                   #  Add to sum
5   addq  $1, %rdx                        #  Increment i
6   cmpq  %rcx, %rdx                      #  Compare i:limit
7   jl .L87                               #  If <, goto loop

我必须使用数据类型float找到由关键路径确定的CPE的下界。我认为关键路径指的是最慢的可能路径，因此是程序必须执行mulss指令的路径，因为这占用了最长的时钟周期。

然而，似乎没有任何明确的方法来确定CPE。如果一条指令占用两个时钟周期，而另一条指令占用一个时钟周期，那么后者可以在前者的第一个时钟周期之后开始吗？任何帮助都将不胜感激。谢谢

Answer 1

如果你想知道它需要多长时间，你应该测量它。执行循环大约10^10次，占用所需的时间，并乘以时钟频率。您可以得到周期的总数，除以10^10就可以得到每次循环迭代的时钟周期数。

执行时间的理论预测几乎永远不会正确(并且大多数时间都是低的)，因为有许多影响决定了速度：

• 流水线(在instructions
• Bank执行中可以轻松地有大约20个阶段(最多5条指令并行，cmp和jl可以融合)
• 解码为µOps并重新排序
• 缓存或内存的延迟<

>H111>指令的吞吐量(是否有足够的空闲执行端口)

• instructions
• Bank冲突的延迟、混叠问题和更深奥的问题

根据中央处理器的不同，如果内存访问都命中L1缓存，我认为循环每次迭代至少需要3个时钟周期，因为最长的依赖链是3个元素长。在具有较慢的mulss或addss指令的较老的CPU上，所需的时间增加。

如果你真的对加速代码感兴趣，而不仅仅是一些理论上的观察，你应该将它矢量化。您可以使用如下命令将性能提高4-8倍

.L87:                               # loop:
vmovdqa (%rbx,%rdx,4), %ymm0        #  Get udata[i]..udata[i+7]
vmulps  (%rax,%rdx,4), %ymm0, %ymm0 #  Multiply by vdata[i]..vdata[i+7]
vaddps  %ymm0, %ymm1, %ymm1         #  Add to sum
addq    $8, %rdx                    #  Increment i
cmpq    %rcx, %rdx                  #  Compare i:limit
jl .L87                             #  If <, goto loop

你需要在这之后水平添加所有8个元素，当然还要确保对齐是32，循环计数器可以被8整除。

Answer 2

如果您运行的是Intel CPU，您可以找到一些关于各种CPU的指令延迟和吞吐量的文档。链接如下：

Intel® 64 and IA-32 Architectures Optimization Reference Manual