OpenMP 多线程更新同一个数组

Question

我的程序中有以下代码，我想使用 OpenMP 对其进行加速。

...
for(i=curr_index; i < curr_index + rx_size; i+=2){ 
    int64_t tgt = rcvq[i];
    int64_t src = rcvq[i+1];
    if (!TEST(tgt)) {
        pred[tgt] = src;
        newq[newq_count++] = tgt;
    }
}

目前我的版本如下：

...
chunk = rx_sz / omp_nthreads;

#pragma omp parallel for num_threads(omp_nthreads)
for (ii = 0; ii < omp_nthreads; ii++) { 
    int start = curr_index + ii * chunk;
    for (index = start; index < start + chunk; index +=2) { 
        int64_t tgt = rcvq[index];
        int64_t src = rcvq[index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;

            #pragma omp critical 
            newq[newq_count++] = tgt;
        }
    }
}

当我运行 OpenMP 版本时，我发现与原始版本相比性能下降很大。我认为问题可能是因为 "omp critical" 阻止了并行处理。我想知道我的代码可以增强哪些功能，以便我可以获得比串行版本更好的性能。在代码中，rx_sz 始终是 omp_nthreads 的倍数。

Answer 1

我很确定此时 omp 关键部分限制了您的性能。

我建议您将结果收集到单独的 buffers/vectors 中，并在并行处理完成后合并它们（当然，如果顺序对您来说不重要）

vector<vector<int64_t>> res;
res.resize(num_threads);
#pragma omp parallel for
for (index = 0; index < rx_sz/2; ++index) { 
        int64_t tgt = rcvq[2*index];
        int64_t src = rcvq[2*index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;

            res[omp_get_thread_num()].push_back(tgt);
        }
    }

// Merge all res vectors if needed

Answer 2

是的，关键部分限制了你的表现。您应该在本地为每个线程收集结果，然后合并它们。

size_t newq_offset = 0;
#pragma omp parallel
{
    // Figure out something clever here...
    const size_t max_newq_per_thread = max_newq / omp_get_num_threads();
    int64_t* local_newq = malloc(max_results_per_thread * sizeof(int64_t));
    size_t local_newq_count = 0;

    #pragma omp parallel for
    for (i=curr_index; i < curr_index + rx_size; i+=2)
        int64_t tgt = rcvq[2*index];
        int64_t src = rcvq[2*index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;
            local_newq_count++;
            assert(local_newq_count < max_newq_per_thread);
            local_newq[local_newq_count] = tgt;
        }
    }
    int local_offset;
    #pragma omp atomic capture
    {
        local_offset = offset;
        offset += local_newq_count;
    }
    for (size_t i = 0; i < counter; i++)
    {   
        res_global[i + local_offset] = res[i];
    }
}

使用这种方法，所有线程在合并时并行工作，atomic capture 上的争用很小。请注意，您还可以使用 atomic capture 制作一个简单版本，它比临界区更高效，但仍然会很快成为瓶颈：

size_t newq_count_local;
#pragma omp atomic capture
newq_count_local = newq_count++;
newq[newq_count_local] = tgt;

在任何版本

newq

不保证顺序

始终尽可能将变量声明为局部变量！特别是在使用 OpenMP 时。您发布的 critical 版本是 错误的 ，因为 index（在外部范围内定义）在线程之间隐式共享。
所有这些都假定 rcvq 中没有重复项。否则，您会在 pred[tgt] = src;.
您手动分割循环的方法不必要地复杂。不需要做两个循环，只需使用一个 pragma omp for 循环。

另一个答案是正确的。但是，它是 C++，而不是标记的 C。使用 std::vector<std::vector<>> 时还有一个微妙但重要的性能问题。通常一个vector是用三个指针来实现的，一共24个字节。在 push_back 时，其中一个指针递增。这意味着，a) 来自多个线程的本地向量指针驻留在同一个缓存行上，并且 b) 在每次成功的 TEST、push_back 读取和写入其他线程使用的缓存行时线程。这个缓存行必须一直在核心之间移动，极大地限制了这种方法的可扩展性。这就是所谓的虚假分享。

我根据另一个答案实施了一个小测试，结果如下：

0.99 s - 单线程
1.58 s - 同一套接字的两个相邻核心上的两个线程
2.13 s - 不同套接字的两个内核上的两个线程
0.99 s - 两个线程共享一个核心
0.62 s - 两个套接字上的 24 个线程

而 C 版本以上的扩展性更好：

0.46 s - 单线程（无法真正比较 C 与 C++）
0.24 s - 两个线程
0.04 s - 24 个线程

OpenMP 多线程更新同一个数组

OpenMP multiple threads update same array

c

multithreading

openmp

race-condition