CPU 数组迭代中的空间缓存位置

Question

我对L1缓存的理解是内存获取加载缓存行。假设缓存行大小为 64 字节，如果我访问地址 p 处的内存，它将把从 p 到 p + 64 的整个块加载到缓存中。因此，最好从左到右（而不是从右到左）遍历数组以最大化缓存局部性。

但是，我编写了示例 C 代码，分配了一个 1 亿个字符的数组，将随机值写入其中并对其求和（复制在下面以供参考）。一个版本的代码从左到右求和，另一个版本从右到左求和。当我对其进行基准测试时，我得到了非常相似的结果（其中 "clock cycles" 是根据 clock 衡量的。代码是在没有优化的情况下编译的。

所以我的问题是：除了 "cache the read + 64 bytes" 之外，现代处理器是否还能做其他事情？他们是否向前和向后缓存？编译器 "tell" 处理器可以向后迭代代码吗？

作为参考，我在 Mac OS X 10.13.3 上运行使用 gcc-7 (Homebrew GCC 7.2.0_1) 7.2.0 和具有 64 字节高速缓存行的 x86-64 Intel 处理器。

基准测试：

$ ./a.out
Backward Iterating...took 150101 clock cycles

$ ./a.out
Forward Iterating...took 146545 clock cycles

我原以为前向迭代会快 64 倍，因为每 64 个元素都应该是缓存命中，而对于后向迭代，每个元素都应该是缓存未命中。

因此，我对其调用了 cachegrind。两者的缓存命中率几乎相同：

# Left to right iteration
==21773==
==21773== I   refs:      4,006,996,067
==21773== I1  misses:            5,183
==21773== LLi misses:            3,019
==21773== I1  miss rate:          0.00%
==21773== LLi miss rate:          0.00%
==21773==
==21773== D   refs:      1,802,393,260  (1,401,627,925 rd   + 400,765,335 wr)
==21773== D1  misses:        3,153,101  (    1,588,104 rd   +   1,564,997 wr)
==21773== LLd misses:        3,004,885  (    1,440,660 rd   +   1,564,225 wr)
==21773== D1  miss rate:           0.2% (          0.1%     +         0.4%  )
==21773== LLd miss rate:           0.2% (          0.1%     +         0.4%  )
==21773==
==21773== LL refs:           3,158,284  (    1,593,287 rd   +   1,564,997 wr)
==21773== LL misses:         3,007,904  (    1,443,679 rd   +   1,564,225 wr)
==21773== LL miss rate:            0.1% (          0.0%     +         0.4%  )

# Right to left iteration
==21931==
==21931== I   refs:      4,006,996,453
==21931== I1  misses:            5,198
==21931== LLi misses:            3,045
==21931== I1  miss rate:          0.00%
==21931== LLi miss rate:          0.00%
==21931==
==21931== D   refs:      1,802,393,428  (1,401,628,038 rd   + 400,765,390 wr)
==21931== D1  misses:        3,153,113  (    1,588,079 rd   +   1,565,034 wr)
==21931== LLd misses:        3,135,505  (    1,571,219 rd   +   1,564,286 wr)
==21931== D1  miss rate:           0.2% (          0.1%     +         0.4%  )
==21931== LLd miss rate:           0.2% (          0.1%     +         0.4%  )
==21931==
==21931== LL refs:           3,158,311  (    1,593,277 rd   +   1,565,034 wr)
==21931== LL misses:         3,138,550  (    1,574,264 rd   +   1,564,286 wr)
==21931== LL miss rate:            0.1% (          0.0%     +         0.4%  )

代码：

#include <stdint.h>
#include <time.h>
#include <stdio.h>
#include <stdlib.h>

#define BUF_SIZE 100000000

int main() {
  srand(time(NULL));
  uint8_t *buf1 = (uint8_t *)malloc(BUF_SIZE);
  // Fill the buf with random data
  for (size_t i = 0; i < BUF_SIZE; ++i) {
    buf1[i] = rand();
  }

#ifdef BACKWARDS
  printf("Backward Iterating...");
#else
  printf("Forward Iterating...");
#endif

  uint64_t sum = 0;
  clock_t start = clock();
#ifdef BACKWARDS
  for (size_t i = BUF_SIZE - 1; i != ~0; --i) {
#else
  for (size_t i = 0; i < BUF_SIZE; ++i) {
#endif
    sum += buf1[i];
  }
  clock_t end = clock();
  printf("took %lu clock cycles\n", end - start);
  printf("sum: %llu\n", sum);
  free(buf1);
}

Answer 1

If I access memory at address p, it will load the entire block from p to p + 64 into the cache.

不完全是。处理器加载的是包含p的缓存行。例如，如果 p 是 0x1234，则加载缓存行 0x1200 到 0x123F。因此，通过数组向后扫描与向前扫描没有太大区别。

Answer 2

扩展上一个答案：

加载完整的缓存行粒度意味着向前或向后都无关紧要，一旦您到达行的一侧，您就会获得所有内容。这当然只适用于可缓存的加载和内存类型（+在缓冲区中时可能被命中的流式传输情况）。

然而，这还不是全部。现代 CPU 使用非常擅长处理空间局部性的硬件预取器 - 这些将通过在您前进的相同方向上预取额外的缓存行来增加粒度。退出预取器取决于您使用的确切架构，但常见的包括下一行、相邻行（+/- 1 行）、下一行流或基于 IP 的步幅。更多信息 here .

这些prefetchers应该是对称的，但我们不确定（具体细节未透露），它们可能对不同的方向有不同的机会或阈值。

还有一点，cachegrind只是一个缓存模拟，它不包括预取之类的效果，甚至没有模拟准确的缓存（大小应该没问题，但替换策略和其他微架构细节不保证相同），所以您看不到完整的效果。使用性能计数器查看实际硬件行为可能更好。

CPU 数组迭代中的空间缓存位置

CPU spatial cache locality in array iteration

c

x86

cpu-cache

gcc7

cache-locality