OpenMP 多个线程更新同一数组

Question

我的程序中有以下代码，我想使用 OpenMP 加速它。

...
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，我有一个版本如下：

...
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大幅下降。我认为这个问题可能是因为“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

是的，关键部分限制了你的表现。您应该在本地收集每个线程的结果，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];
    }
}

通过这种方法，所有线程在合并时并行工作，并且atomic capture. 请注意，您还可以使用 制作一个简单版本atomic capture，这比关键部分更有效，但仍会很快成为瓶颈：

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

• 不保证任何版本中的顺序newq
• 始终将变量声明为尽可能局部的！特别是在使用 OpenMP 时。critical您发布的 -version 是错误的，因为index（在外部范围中定义）在线程之间隐式共享。
• 所有这些都假设中没有重复项rcvq。否则，您会遇到竞争条件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。

另一个答案的想法是正确的。然而，它是 C++，而不是标记为 C。使用std::vector<std::vector<>>. 通常一个向量是用三个指针来实现的，总共24个字节。其中push_back一个指针递增。这意味着，a) 来自多个线程的本地向量的指针驻留在同一高速缓存行上，并且 b) 在每次成功TEST读取push_back和写入其他线程使用的高速缓存行时。该缓存行必须始终在核心之间移动，极大地限制了这种方法的可扩展性。这称为虚假共享。

我根据另一个答案进行了一个小测试，给出了以下性能：

• 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- 不同套接字的两个核心上的两个线程
• 0.99 s- 两个线程共享一个核心
• 0.62 s- 两个插槽上有 24 个线程

而以上 C 版本的扩展性要好得多：

• 0.46 s- 单线程（C 与 C++ 没有真正可比性）
• 0.24 s- 两个线程
• 0.04 s- 24 个线程