LSD可以从检测到的循环的下一次迭代中发出uOP吗？

Question

我正在使用一个非常简单的循环开始调查我的Haswell端口0上的分支单元的功能:

BITS 64
GLOBAL _start

SECTION .text

_start:

 mov ecx, 10000000

.loop:

 dec ecx             ;|
  jz .end            ;| 1 uOP (call it D)

jmp .loop            ;| 1 uOP (call it J)

.end:
 mov eax, 60
 xor edi, edi
 syscall

使用perf我们看到循环以1c/iter运行

Performance counter stats for './main' (50 runs):

        10,001,055      uops_executed_port_port_6   ( +-  0.00% )
         9,999,973      uops_executed_port_port_0   ( +-  0.00% )
        10,015,414      cycles:u                    ( +-  0.02% )
                23      resource_stalls_rs          ( +- 64.05% )

我对这些结果的解释是:

• D和J都是并行发送的.
• J具有1个周期的倒数吞吐量.
• D和J都以最佳方式发送.

但是,我们也可以看到RS永远不会满员.
它最多可以以2 uOPs/c的速率发送uOP,但理论上可以得到4 uOPs/c,导致大约30 c的完整RS(对于具有60个融合域条目的RS).

根据我的理解,应该有很少的分支误预测,而且uOP都应该来自LSD.
所以我看了FE:

     8,239,091      lsd_cycles_active ( +-  3.10% )
       989,320      idq_dsb_cycles    ( +- 23.47% )
     2,534,972      idq_mite_cycles   ( +- 15.43% )
         4,929      idq_ms_uops       ( +-  8.30% )

   0.007429733 seconds time elapsed   ( +-  1.79% )

确认FE从LSD ¹发出.
但是,LSD永远不会发出4个uOPs/c:

     7,591,866      lsd_cycles_active ( +-  3.17% )
             0      lsd_cycles_4_uops 

我的解释是LSD不能从下一次迭代²发出uOP,因此每个周期只发送DJ对到BE.
我的解释是否正确？

---

源代码在此存储库中.

---

¹存在一些差异,我认为这是由于允许某些上下文切换的大量迭代.
²在具有有限电路深度的硬件中,这听起来相当复杂.

Answer 1

循环中的所有微指令都是分支（每次迭代2个）。我认为`lsd_cycles_4_uops为零的原因是由于重命名器中的限制。根据《英特尔优化手册》第2.4.3.1节：

与之前的微体系结构中的每个分支一个分支相比，重命名器每个周期可以分配两个分支。这样可以消除执行过程中的气泡。

这是有关桑迪桥微体系结构的一部分的小节。但是据我所知，这适用于所有以后的微体系结构。每个周期最大重命名吞吐量为4微秒。但是最多两个对象可以是分支。因此，在所有微指令都是分支的示例中，即使在循环的第一次迭代中，LSD在任何给定的周期也永远不会传递超过2微指令。

因此，将在每个周期中在RS中分配2个分支uo，并且每个周期都可以调度这两个分支。因此，RS占用率不会增加。

此限制不会影响程序的性能。每个周期执行2个分支指令，每个周期提供3个IPC已经是最佳选择。

我试图找到一个性能事件，由于该限制，该事件可以捕获分配器停顿。在这种情况下，事件RESOURCE_STALLS.ANY和UOPS_ISSUED.ANY（以及cmask= 1和inv= 1）似乎无关紧要。@IwillnotexistIdonotexist建议使用 IDQ_UOPS_NOT_DELIVERED.CORE。我在下面介绍了性能事件及其所有受支持的变体的结果。我也提供了这些事件的正确含义，因为该手册是错误的。T表示迭代次数。

IDQ_UOPS_NOT_DELIVERED.CORE：计算分配器未使用的插槽数。如果程序运行了C个核心周期，则插槽总数为4 * C。测量值几乎等于2 * T。由于周期数为T，因此时隙数为4 * T，这意味着大约没有使用发行时隙的一半。

IDQ_UOPS_NOT_DELIVERED.CYCLES_0_UOPS_DELIV.CORE：计算从IDQ传递零微分的周期数。测量值可以忽略不计。

IDQ_UOPS_NOT_DELIVERED.CYCLES_LE_1_UOP_DELIV.CORE：计算从IDQ传送最多1微秒的周期数。测量值可以忽略不计。

IDQ_UOPS_NOT_DELIVERED.CYCLES_LE_2_UOP_DELIV.CORE：计算从IDQ传送最多2微秒的周期数：测量值几乎等于T。

IDQ_UOPS_NOT_DELIVERED.CYCLES_LE_3_UOP_DELIV.CORE：计算从IDQ最多发送3微秒的周期数：测量值几乎等于T。

因此，由于执行时间几乎等于T个核心周期，因此可以得出结论，分配器在大多数周期中每个周期只分配正好2 oups，这等于分配率。

请注意，Haswell和Skylake中的RS包含未融合的uops。因此，每个条目都可以容纳一个未融合的uop。参见脚注2。但这无关紧要，因为没有微融合。