Недавно мы приобрели несколько новых серверов и испытываем плохую производительность memcpy. Производительность memcpy на серверах по сравнению с нашими ноутбуками на 3 раза медленнее.
Характеристики сервера
- Шасси и Mobo: SUPER MICRO 1027GR-TRF
- Процессор: 2x Intel Xeon E5-2680 @2.70 Ghz
- Память: 8x 16 ГБ DDR3 1600 МГц
Изменить: я также тестирую на другом сервере с чуть более высокими спецификациями и вижу те же результаты, что и предыдущий сервер
Характеристики сервера 2
- Шасси и Mobo: SUPER MICRO 10227GR-TRFT
- Процессор: 2x Intel Xeon E5-2650 v2 @2.6 Ghz
- Память: 8x 16GB DDR3 1866MHz
Характеристики ноутбука
- Корпус: Lenovo W530
- Процессор: 1x Intel Core i7 i7-3720QM @2.6Ghz
- Память: 4x 4 ГБ DDR3 1600 МГц
Операционная система
$ cat /etc/redhat-release
Scientific Linux release 6.5 (Carbon)
$ uname -a
Linux r113 2.6.32-431.1.2.el6.x86_64 #1 SMP Thu Dec 12 13:59:19 CST 2013 x86_64 x86_64 x86_64 GNU/Linux
Компилятор (во всех системах)
$ gcc --version
gcc (GCC) 4.6.1
Также тестируется с помощью gcc 4.8.2 на основе предложения от @stefan. Не было разницы в производительности между компиляторами.
Тестовый код Ниже приведен тестовый код - это консервированный тест, чтобы дублировать проблему, которую я вижу в нашем производственном коде. Я знаю, что этот критерий упрощен, но он смог использовать и идентифицировать нашу проблему. Код создает два буфера 1 ГБ и memcpys между ними, синхронизируя вызов memcpy. Вы можете указать размер альтернативных буферов в командной строке, используя:./big_memcpy_test [SIZE_BYTES]
#include <chrono>
#include <cstring>
#include <iostream>
#include <cstdint>
class Timer
{
public:
Timer()
: mStart(),
mStop()
{
update();
}
void update()
{
mStart = std::chrono::high_resolution_clock::now();
mStop = mStart;
}
double elapsedMs()
{
mStop = std::chrono::high_resolution_clock::now();
std::chrono::milliseconds elapsed_ms =
std::chrono::duration_cast<std::chrono::milliseconds>(mStop - mStart);
return elapsed_ms.count();
}
private:
std::chrono::high_resolution_clock::time_point mStart;
std::chrono::high_resolution_clock::time_point mStop;
};
std::string formatBytes(std::uint64_t bytes)
{
static const int num_suffix = 5;
static const char* suffix[num_suffix] = { "B", "KB", "MB", "GB", "TB" };
double dbl_s_byte = bytes;
int i = 0;
for (; (int)(bytes / 1024.) > 0 && i < num_suffix;
++i, bytes /= 1024.)
{
dbl_s_byte = bytes / 1024.0;
}
const int buf_len = 64;
char buf[buf_len];
// use snprintf so there is no buffer overrun
int res = snprintf(buf, buf_len,"%0.2f%s", dbl_s_byte, suffix[i]);
// snprintf returns number of characters that would have been written if n had
// been sufficiently large, not counting the terminating null character.
// if an encoding error occurs, a negative number is returned.
if (res >= 0)
{
return std::string(buf);
}
return std::string();
}
void doMemmove(void* pDest, const void* pSource, std::size_t sizeBytes)
{
memmove(pDest, pSource, sizeBytes);
}
int main(int argc, char* argv[])
{
std::uint64_t SIZE_BYTES = 1073741824; // 1GB
if (argc > 1)
{
SIZE_BYTES = std::stoull(argv[1]);
std::cout << "Using buffer size from command line: " << formatBytes(SIZE_BYTES)
<< std::endl;
}
else
{
std::cout << "To specify a custom buffer size: big_memcpy_test [SIZE_BYTES] \n"
<< "Using built in buffer size: " << formatBytes(SIZE_BYTES)
<< std::endl;
}
// big array to use for testing
char* p_big_array = NULL;
/////////////
// malloc
{
Timer timer;
p_big_array = (char*)malloc(SIZE_BYTES * sizeof(char));
if (p_big_array == NULL)
{
std::cerr << "ERROR: malloc of " << SIZE_BYTES << " returned NULL!"
<< std::endl;
return 1;
}
std::cout << "malloc for " << formatBytes(SIZE_BYTES) << " took "
<< timer.elapsedMs() << "ms"
<< std::endl;
}
/////////////
// memset
{
Timer timer;
// set all data in p_big_array to 0
memset(p_big_array, 0xF, SIZE_BYTES * sizeof(char));
double elapsed_ms = timer.elapsedMs();
std::cout << "memset for " << formatBytes(SIZE_BYTES) << " took "
<< elapsed_ms << "ms "
<< "(" << formatBytes(SIZE_BYTES / (elapsed_ms / 1.0e3)) << " bytes/sec)"
<< std::endl;
}
/////////////
// memcpy
{
char* p_dest_array = (char*)malloc(SIZE_BYTES);
if (p_dest_array == NULL)
{
std::cerr << "ERROR: malloc of " << SIZE_BYTES << " for memcpy test"
<< " returned NULL!"
<< std::endl;
return 1;
}
memset(p_dest_array, 0xF, SIZE_BYTES * sizeof(char));
// time only the memcpy FROM p_big_array TO p_dest_array
Timer timer;
memcpy(p_dest_array, p_big_array, SIZE_BYTES * sizeof(char));
double elapsed_ms = timer.elapsedMs();
std::cout << "memcpy for " << formatBytes(SIZE_BYTES) << " took "
<< elapsed_ms << "ms "
<< "(" << formatBytes(SIZE_BYTES / (elapsed_ms / 1.0e3)) << " bytes/sec)"
<< std::endl;
// cleanup p_dest_array
free(p_dest_array);
p_dest_array = NULL;
}
/////////////
// memmove
{
char* p_dest_array = (char*)malloc(SIZE_BYTES);
if (p_dest_array == NULL)
{
std::cerr << "ERROR: malloc of " << SIZE_BYTES << " for memmove test"
<< " returned NULL!"
<< std::endl;
return 1;
}
memset(p_dest_array, 0xF, SIZE_BYTES * sizeof(char));
// time only the memmove FROM p_big_array TO p_dest_array
Timer timer;
// memmove(p_dest_array, p_big_array, SIZE_BYTES * sizeof(char));
doMemmove(p_dest_array, p_big_array, SIZE_BYTES * sizeof(char));
double elapsed_ms = timer.elapsedMs();
std::cout << "memmove for " << formatBytes(SIZE_BYTES) << " took "
<< elapsed_ms << "ms "
<< "(" << formatBytes(SIZE_BYTES / (elapsed_ms / 1.0e3)) << " bytes/sec)"
<< std::endl;
// cleanup p_dest_array
free(p_dest_array);
p_dest_array = NULL;
}
// cleanup
free(p_big_array);
p_big_array = NULL;
return 0;
}
Файл CMake для сборки
project(big_memcpy_test)
cmake_minimum_required(VERSION 2.4.0)
include_directories(${CMAKE_CURRENT_SOURCE_DIR})
# create verbose makefiles that show each command line as it is issued
set( CMAKE_VERBOSE_MAKEFILE ON CACHE BOOL "Verbose" FORCE )
# release mode
set( CMAKE_BUILD_TYPE Release )
# grab in CXXFLAGS environment variable and append C++11 and -Wall options
set( CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++0x -Wall -march=native -mtune=native" )
message( INFO "CMAKE_CXX_FLAGS = ${CMAKE_CXX_FLAGS}" )
# sources to build
set(big_memcpy_test_SRCS
main.cpp
)
# create an executable file named "big_memcpy_test" from
# the source files in the variable "big_memcpy_test_SRCS".
add_executable(big_memcpy_test ${big_memcpy_test_SRCS})
Результаты тестирования
Buffer Size: 1GB | malloc (ms) | memset (ms) | memcpy (ms) | NUMA nodes (numactl --hardware)
---------------------------------------------------------------------------------------------
Laptop 1 | 0 | 127 | 113 | 1
Laptop 2 | 0 | 180 | 120 | 1
Server 1 | 0 | 306 | 301 | 2
Server 2 | 0 | 352 | 325 | 2
Как вы можете видеть memcpys и memsets на наших серверах намного медленнее, чем memcpys и memsets на наших ноутбуках.
Различные размеры буфера
Я пробовал буферы от 100 МБ до 5 ГБ с одинаковыми результатами (серверы медленнее, чем у ноутбука)
NUMA Affinity
Я читал о людях, имеющих проблемы с производительностью с NUMA, поэтому я попытался установить близость CPU и памяти, используя numactl, но результаты остались прежними.
Серверное оборудование NUMA
$ numactl --hardware
available: 2 nodes (0-1)
node 0 cpus: 0 1 2 3 4 5 6 7 16 17 18 19 20 21 22 23
node 0 size: 65501 MB
node 0 free: 62608 MB
node 1 cpus: 8 9 10 11 12 13 14 15 24 25 26 27 28 29 30 31
node 1 size: 65536 MB
node 1 free: 63837 MB
node distances:
node 0 1
0: 10 21
1: 21 10
Оборудование для ноутбуков NUMA
$ numactl --hardware
available: 1 nodes (0)
node 0 cpus: 0 1 2 3 4 5 6 7
node 0 size: 16018 MB
node 0 free: 6622 MB
node distances:
node 0
0: 10
Настройка близости NUMA
$ numactl --cpunodebind=0 --membind=0 ./big_memcpy_test
Любая помощь, разрешающая это, очень ценится.
Изменить: параметры GCC
Основываясь на комментариях, я попытался выполнить компиляцию с разными вариантами GCC:
Компиляция с -march и -mtune, установленная в native
g++ -std=c++0x -Wall -march=native -mtune=native -O3 -DNDEBUG -o big_memcpy_test main.cpp
Результат: Точная производительность (без улучшения)
Компиляция с -O2 вместо -O3
g++ -std=c++0x -Wall -march=native -mtune=native -O2 -DNDEBUG -o big_memcpy_test main.cpp
Результат: Точная производительность (без улучшения)
Изменить: Изменено memset для записи 0xF вместо 0, чтобы избежать NULL-страницы (@SteveCox)
Нет улучшения при установке memset со значением, отличным от 0 (в этом случае используется 0xF).
Изменить: результаты Cachebench
Чтобы исключить, что моя тестовая программа слишком упрощена, я загрузил настоящую программу бенчмаркинга LLCacheBench (http://icl.cs.utk.edu/projects/llcbench/cachebench.html)
Я построил бенчмарк на каждой машине отдельно, чтобы избежать проблем с архитектурой. Ниже приведены мои результаты.
Обратите внимание, что ОЧЕНЬ большая разница в производительности при больших размерах буфера. Последний тестируемый размер (16777216) выполнен на 18849,29 МБ/с на ноутбуке и 6710,40 на сервере. Это примерно 3-кратное различие в производительности. Вы также можете заметить, что падение производительности сервера намного круче, чем на ноутбуке.
Изменить: memmove() - 2x FASTER, чем memcpy() на сервере
Основываясь на некоторых экспериментах, я попытался использовать memmove() вместо memcpy() в своем тестовом примере и нашел улучшение на уровне 2x на сервере. Memmove() на ноутбуке работает медленнее, чем memcpy(), но, как ни странно, работает на той же скорости, что и memmove() на сервере. Это задает вопрос, почему memcpy так медленно?
Обновлен код для проверки memmove вместе с memcpy. Мне пришлось обернуть memmove() внутри функции, потому что, если бы я оставил его встроенным GCC, он оптимизировал его и выполнил то же самое, что и memcpy() (я предполагаю, что gcc оптимизировал его для memcpy, потому что знал, что локации не перекрываются).
Обновленные результаты
Buffer Size: 1GB | malloc (ms) | memset (ms) | memcpy (ms) | memmove() | NUMA nodes (numactl --hardware)
---------------------------------------------------------------------------------------------------------
Laptop 1 | 0 | 127 | 113 | 161 | 1
Laptop 2 | 0 | 180 | 120 | 160 | 1
Server 1 | 0 | 306 | 301 | 159 | 2
Server 2 | 0 | 352 | 325 | 159 | 2
Изменить: Наивный Memcpy
Основываясь на предположении от @Salgar, я реализовал свою собственную наивную функцию memcpy и протестировал ее.
Наивный Memcpy Source
void naiveMemcpy(void* pDest, const void* pSource, std::size_t sizeBytes)
{
char* p_dest = (char*)pDest;
const char* p_source = (const char*)pSource;
for (std::size_t i = 0; i < sizeBytes; ++i)
{
*p_dest++ = *p_source++;
}
}
Наивные результаты Memcpy По сравнению с memcpy()
Buffer Size: 1GB | memcpy (ms) | memmove(ms) | naiveMemcpy()
------------------------------------------------------------
Laptop 1 | 113 | 161 | 160
Server 1 | 301 | 159 | 159
Server 2 | 325 | 159 | 159
Изменить: Сборочный вывод
Простой источник memcpy
#include <cstring>
#include <cstdlib>
int main(int argc, char* argv[])
{
size_t SIZE_BYTES = 1073741824; // 1GB
char* p_big_array = (char*)malloc(SIZE_BYTES * sizeof(char));
char* p_dest_array = (char*)malloc(SIZE_BYTES * sizeof(char));
memset(p_big_array, 0xA, SIZE_BYTES * sizeof(char));
memset(p_dest_array, 0xF, SIZE_BYTES * sizeof(char));
memcpy(p_dest_array, p_big_array, SIZE_BYTES * sizeof(char));
free(p_dest_array);
free(p_big_array);
return 0;
}
Сборка: это то же самое как на сервере, так и на ноутбуке. Я экономя пространство, а не вставляя оба.
.file "main_memcpy.cpp"
.section .text.startup,"ax",@progbits
.p2align 4,,15
.globl main
.type main, @function
main:
.LFB25:
.cfi_startproc
pushq %rbp
.cfi_def_cfa_offset 16
.cfi_offset 6, -16
movl $1073741824, %edi
pushq %rbx
.cfi_def_cfa_offset 24
.cfi_offset 3, -24
subq $8, %rsp
.cfi_def_cfa_offset 32
call malloc
movl $1073741824, %edi
movq %rax, %rbx
call malloc
movl $1073741824, %edx
movq %rax, %rbp
movl $10, %esi
movq %rbx, %rdi
call memset
movl $1073741824, %edx
movl $15, %esi
movq %rbp, %rdi
call memset
movl $1073741824, %edx
movq %rbx, %rsi
movq %rbp, %rdi
call memcpy
movq %rbp, %rdi
call free
movq %rbx, %rdi
call free
addq $8, %rsp
.cfi_def_cfa_offset 24
xorl %eax, %eax
popq %rbx
.cfi_def_cfa_offset 16
popq %rbp
.cfi_def_cfa_offset 8
ret
.cfi_endproc
.LFE25:
.size main, .-main
.ident "GCC: (GNU) 4.6.1"
.section .note.GNU-stack,"",@progbits
PROGRESS!!!! ASMlib
Основываясь на предложении от @tbenson, я попробовал работать с asmlib версией memcpy. Первоначально мои результаты были плохими, но после изменения SetMemcpyCacheLimit() до 1 ГБ (размер моего буфера) я работал со скоростью наравне с моим наивным циклом!
Плохая новость заключается в том, что версия memmove asmlib медленнее, чем версия glibc, теперь она работает на отметке 300 мс (наравне с версией memcpy glibc). Странно то, что на ноутбуке, когда я SetMemcpyCacheLimit() на большое количество, он вредит производительности...
В приведенных ниже строках строки, отмеченные SetCache, имеют SetMemcpyCacheLimit, установленный в 1073741824. Результаты без SetCache не вызывают SetMemcpyCacheLimit()
Результаты с использованием функций из asmlib:
Buffer Size: 1GB | memcpy (ms) | memmove(ms) | naiveMemcpy()
------------------------------------------------------------
Laptop | 136 | 132 | 161
Laptop SetCache | 182 | 137 | 161
Server 1 | 305 | 302 | 164
Server 1 SetCache | 162 | 303 | 164
Server 2 | 300 | 299 | 166
Server 2 SetCache | 166 | 301 | 166
Начинаем опираться на проблему с кешем, но что может вызвать это?