कंप्यूटिंग कर्नेल के प्रदर्शन और अनुप्रयोगों और कंपाइलर द्वारा उन्हें हल करने के तरीकों को प्रभावित करने वाली मुख्य समस्याएं

मैं एप्लिकेशन ऑप्टिमाइज़ेशन के बारे में चर्चा जारी रखता हूं, जो यहां पोस्ट में शुरू हुआ "क्या एप्लिकेशन ऑप्टिमाइज़ेशन की गुणवत्ता का एक सरल मूल्यांकन है?"

आप प्रोसेसर के बारे में विस्तार से बात कर सकते हैं और, निश्चित रूप से, हेबे पाठकों के बीच बहुत सारे लोग हैं जो इस तरह की बातचीत करने में सक्षम हैं। लेकिन प्रोसेसर पर मेरा दृष्टिकोण विशुद्ध रूप से व्यावहारिक है। चूंकि मुझे प्रोसेसर के प्रदर्शन के चश्मे के माध्यम से आवेदन प्रदर्शन में दिलचस्पी है, मुझे सिर्फ कंप्यूटिंग कोर के मूल सिद्धांतों को समझने की आवश्यकता है। साथ ही इन मूल सिद्धांतों को प्रभावित करने के लिए मौजूद तरीके। मैं Intel64 आर्किटेक्चर पर ध्यान केंद्रित करूंगा। ऐसा इसलिए है क्योंकि हमारे प्रदर्शन विश्लेषण टीम में हम इंटेल के अनुकूलन के काम का विश्लेषण कर रहे हैं, मुख्यतः इस वास्तुकला के लिए। उच्च प्रदर्शन कंप्यूटिंग के लिए कंप्यूटिंग सिस्टम के लिए बाजार में, यह और संगत आर्किटेक्चर शेर के हिस्से पर कब्जा कर लेते हैं, इसलिए अधिकांश प्रदर्शन समस्याएं काफी सामान्य प्रकृति की हैं। मुझे मुख्य समस्याओं और अवसरों को सूचीबद्ध करें जो कर्नेल और कंप्यूटिंग सिस्टम के प्रदर्शन को निर्धारित करते हैं और इन समस्याओं को प्रभावित करने के लिए डिज़ाइन किए गए विभिन्न अनुकूलन की एक छोटी सूची प्रदान करते हैं।

निर्देश कंसीडर स्तर

आधुनिक कंप्यूटिंग कोर एक पाइपलाइन (पाइपलाइनिंग) की उपस्थिति, सुपरसर्केलिटी की विशेषता है। कंप्यूटिंग कोर में स्वतंत्र टीमों को परिभाषित करने और निर्देशों का निर्धारण करने के लिए एक तंत्र है। यानी ये तंत्र प्रसंस्करण के लिए आने वाले निर्देशों के बफर को देखते हैं और निष्पादन के लिए उनका चयन करते हैं यदि उपयुक्त कंप्यूटिंग शक्ति हो और निर्देश अन्य निर्देशों पर निर्भर न हों जो अभी तक निष्पादित नहीं हुए हैं। इस प्रकार, Intel64 वास्तुकला को आउट-ऑफ-ऑर्डर निष्पादन की विशेषता है। यानी ऐसी वास्तुकला के लिए, संकलक को निर्देशों के क्रम के विस्तृत निर्धारण से निपटने की आवश्यकता नहीं है। पाइप लाइन के लोड स्तर का निर्धारण कितने स्वतंत्र निर्देशों को संसाधित करने से होता है, तथाकथित स्तर के निर्देश समानता।

सशर्त संक्रमण की संख्या और संक्रमण पूर्वसूचक की गुणवत्ता

विभिन्न आदेशों का निष्पादन आदेश नियंत्रण प्रवाह ग्राफ द्वारा निर्धारित किया जाता है, जो कोड के सीधे वर्गों को जोड़ता है। उन स्थानों पर जहां नियंत्रण प्रवाह की शाखाएं होती हैं, एक नियम के रूप में, विभिन्न सशर्त संक्रमण का उपयोग किया जाता है। यही है, जब तक कि स्थिति की गणना नहीं की जाती है, यह स्पष्ट नहीं है कि किस निर्देश को अगले निष्पादित किया जाना चाहिए। यह सुनिश्चित करने के लिए कि पाइप लाइन बाधित नहीं होती है, कंप्यूटिंग कोर में एक शाखा भविष्यवाणी तंत्र है जो संभावित नियंत्रण हस्तांतरण पथों में से एक का चयन करता है और इस दिशा से कंप्यूटिंग पाइपलाइन को निर्देश देना जारी रखता है। पहले से ही पूर्ण निर्देश शर्त की गणना के बाद होने वाली मान्यता का इंतजार करते हैं। यदि भविष्यवक्ता ने कोई गलती की है, तो कम्प्यूटेशनल कोर के बफ़र्स को पूरा करने की आवश्यकता के कारण कम्प्यूटेशनल कोर के काम में देरी होती है और उनमें नए निर्देश लोड होते हैं। इस स्थिति को ब्रांच मिसप्रिंट कहा जाता है। शाखा भविष्यवाणी तंत्र काफी जटिल है और इसमें दोनों स्थिर भाग शामिल हैं, जो सशर्त संक्रमण के साथ पहली मुठभेड़ पर दिशा का अनुमान लगाने का प्रयास करता है, और गतिशील एक, संचय और सांख्यिकी का उपयोग करता है।

मेमोरी सबसिस्टम की गुणवत्ता

चूंकि सभी मुख्य डेटा और निर्देश रैम में स्थित हैं, इसलिए यह प्रदर्शन के लिए महत्वपूर्ण है कि कब तक इस डेटा को कंप्यूटिंग डिवाइस तक पहुंचाया जा सकता है। इस मामले में, मुख्य मेमोरी से डेटा प्राप्त करने में देरी सैकड़ों प्रोसेसर चक्र है। प्रोसेसर को गति देने के लिए, इसमें कैश या उप-प्रणाली कैश है। कैश मुख्य मेमोरी से अक्सर उपयोग किए गए डेटा की प्रतियां संग्रहीत करता है। आधुनिक मल्टी-कोर प्रोसेसर के लिए, एक स्थिति विशिष्ट होती है जब कर्नेल पहले और दूसरे स्तर के कैश का मालिक होता है, और प्रोसेसर में तीसरे स्तर का कैश भी होता है, जिसे कोर साझा करते हैं। पहले स्तर का कैश आकार में सबसे छोटा और सबसे तेज़ होता है, ऊपरी पदानुक्रम के कैश धीमे होते हैं, लेकिन बड़े होते हैं। Intel64 प्रोसेसर में एक समावेशी कैश होता है। इसका मतलब यह है कि अगर किसी स्तर के कैश में कुछ पते का प्रतिनिधित्व किया जाता है, तो यह ऊपरी पदानुक्रम के कैश में भी निहित है। इसलिए, यदि मेमोरी से डेटा प्राप्त करना आवश्यक है, तो मेमोरी सबसिस्टम पहले, दूसरे और तीसरे स्तर के कैश में क्रमिक रूप से जांचता है। कैश मिस (यानी, कैश में आवश्यक जानकारी की कमी) के मामले में, प्रत्येक बाद के मामले में, देरी अधिक होगी। उदाहरण के लिए, नेहेलम के लिए, विभिन्न स्तरों के कैश के लिए अनुमानित पहुँच समय निम्नानुसार होगा: पहले स्तर में कैश के लिए 4 और दूसरे और तीसरे स्तर के कैश के लिए क्रमशः 11 और 38। रैम तक पहुंचने में देरी लगभग 100 से 200 चक्र है। मेमोरी सबसिस्टम के संचालन को समझने के लिए, यह महत्वपूर्ण है कि कैश में आवश्यक जानकारी का प्रसारण और भंडारण एक निश्चित लंबाई के पैकेट में होता है, जिसे कैश लाइनें कहा जाता है और (अब के लिए?) 64 बाइट्स हैं। जब एक विशिष्ट मेमोरी एड्रेस का अनुरोध किया जाता है, तो कुछ "पड़ोसी" डेटा को कैश में "रास्ते में" लोड किया जाता है। सिस्टम बस कैश सबसिस्टम और सीपीयू के बीच डेटा स्थानांतरित करता है। मेमोरी सबसिस्टम की एक महत्वपूर्ण विशेषता बस बैंडविड्थ है, अर्थात। कितने कैश लाइनों को प्रति यूनिट कैश में स्थानांतरित किया जा सकता है। तदनुसार, सिस्टम बस का संचालन अक्सर किसी एप्लिकेशन के निष्पादन में एक अड़चन बन जाता है।
इस तरह के कैश संगठन के संबंध में, इस तरह के कारक द्वारा एक बड़ी भूमिका निभाई जाती है, जो प्रोग्राम द्वारा उपयोग किए जाने वाले डेटा के संदर्भ सिद्धांत की स्थानीयता है। अस्थायी स्थानीयता के बीच एक अंतर किया जाता है, जो आवेदन प्रक्रिया और स्थानिक इलाके के दौरान मूल वस्तुओं और डेटा के पुन: उपयोग की विशेषता है - अपेक्षाकृत नजदीकी भंडारण क्षेत्रों के साथ डेटा का उपयोग। और कंप्यूटिंग कोर में, तंत्र को स्थानीयता के सिद्धांत का समर्थन करने के लिए लागू किया जाता है। अस्थायी स्थानीयता एक कैशिंग तंत्र द्वारा समर्थित है जो कैश में सबसे अधिक उपयोग किए जाने वाले डेटा को कैश करने का प्रयास करता है। जब एक नया लोड करने के लिए कैश लाइन को मुक्त करने की आवश्यकता पर सवाल उठता है, तो उस लाइन का उपयोग नहीं किया जाता है जिसे सबसे अधिक बार हटाया जाता है। स्थानिक इलाके के लिए, प्रीफ़ैचिंग तंत्र काम करता है, जो पहले से काम करने के लिए आवश्यक मेमोरी पतों को निर्धारित करना चाहता है। इसी समय, स्थानिक स्थान (पड़ोसी तत्वों तक पहुंच) जितना अधिक होगा, कम डेटा को कैश में डाउनलोड करना होगा, सिस्टम बस पर कम लोड।
आप यहां सबसे तेजी से मेमोरी के रूप में कंप्यूटिंग कोर के रजिस्टरों का भी उल्लेख कर सकते हैं। रजिस्टरों में पुन: उपयोग किए गए डेटा को स्टोर करना फायदेमंद है। रजिस्टर स्पिलिंग के रूप में इस तरह की एक प्रदर्शन समस्या है, जब गणनाओं के दौरान डेटा को रजिस्टरों से लगातार स्टैक और बैक में कॉपी किया जाता है।

वैश्वीकरण का उपयोग करना

Intel64 प्रोसेसर वेक्टर निर्देशों का समर्थन करते हैं। यानी विभिन्न प्रकार के वैक्टर बनाने और उन पर निर्देश लागू करने की संभावना है जो वैक्टर के साथ काम करते हैं और आउटपुट पर एक वेक्टर परिणाम प्राप्त करते हैं। ये SSE परिवार के निर्देश हैं। नए आदेशों और क्षमताओं के पूरक निर्देशों का एक सेट विकसित किया जा रहा है। SSE2, SSE3, SSE4, AVX - मूल विचार के विस्तार। समस्या यह है कि हमारी प्रोग्रामिंग भाषाएँ शुरू में स्केलर हैं और हमें कंप्यूटिंग कोर की इस सुविधा का उपयोग करने के लिए कुछ प्रयास करने की आवश्यकता है। वेक्टरकरण एक कोड संशोधन है जो एक स्केलर कोड को वेक्टर के साथ बदल देता है। यानी स्केलर डेटा को वैक्टर में पैक किया जाता है और स्केलर ऑपरेशन को वैक्टर (पैकेट) के साथ बदल दिया जाता है। आप मैन्युअल रूप से वैश्वीकरण को प्रोग्राम करने के लिए xmmintrin.h का उपयोग कर सकते हैं, ऑटो-वैश्वीकरण के साथ किसी प्रकार के अनुकूलन कंपाइलर का उपयोग कर सकते हैं, या उपयोगिताओं के साथ अनुकूलित लाइब्रेरी जो वेक्टर निर्देशों का उपयोग करते हैं। इस संशोधन के उपयोग की संभावना पर कई प्रतिबंध हैं। इसके अलावा, इसकी लाभप्रदता का निर्धारण करने वाले कई कारक हैं। इसलिए मैंने एक संशोधन लिखा, क्योंकि अनुकूलन वह है जो प्रदर्शन को बेहतर बनाता है। इसके वैश्वीकरण में सुधार के लिए, कुछ शर्तों को पूरा करना होगा। यानी वैश्वीकरण सिर्फ एक "अवसर" है। हमें इस अवसर का वास्तविक उपलब्धियों में अनुवाद करने के लिए कड़ी मेहनत करने की आवश्यकता है।

मल्टी थ्रेडेड कंप्यूटिंग का उपयोग करना

आधुनिक प्रोसेसर पर कई कंप्यूटिंग कोर की उपस्थिति इन कोर के बीच कंप्यूटिंग को वितरित करके उच्च अनुप्रयोग प्रदर्शन को प्राप्त करना संभव बनाती है। लेकिन यह सिर्फ एक "अवसर" है। एक लाख उच्च पेशेवर प्रोग्रामर की उपस्थिति यह आशा नहीं देती है कि वे एक घंटे में एक अनुकूलन कंपाइलर को लागू करने में सक्षम होंगे। एकल-थ्रेडेड कोड को बहु-थ्रेडेड कोड में परिवर्तित करने के लिए गंभीर प्रयासों की आवश्यकता होती है। कुछ अनुकूलन करने वाले कंपाइलरों में एक ऑटो-समांतरक होता है जो संकलन के दौरान एक एकल विकल्प जोड़ने की प्रक्रिया के लिए एक बहु-थ्रेडेड एप्लिकेशन बनाने की प्रक्रिया को कम करता है। लेकिन ऑटो-समांतरक के मार्ग पर इतने नुकसान होते हैं कि कई मामलों में अनुकूलन करने वाले को मदद की ज़रूरत होती है, और कई में यह बस शक्तिहीन होता है। ओपनएमपी निर्देशों का उपयोग करके बड़ी सफलता प्राप्त की जा सकती है। लेकिन ज्यादातर मामलों में, शुरू में एकल-थ्रेडेड एल्गोरिथ्म को समानांतर करने के प्रयासों की आवश्यकता होती है। मैं यहां अन्य समानांतरकरण विधियों का उल्लेख नहीं करूंगा, क्योंकि मेरी राय में वे गणना एल्गोरिदम में गंभीर बदलावों से जुड़े हैं और इससे परे हैं जिन्हें गैर-एल्गोरिदम कोड अनुकूलन कहा जा सकता है।

इन समस्याओं के आधार पर, 3 मुख्य विशेषताओं को प्रतिष्ठित किया जा सकता है जो चल रहे एप्लिकेशन के प्रदर्शन और 2 महान विशेषताओं को निर्धारित करता है जिन्हें लागू किया जा सकता है:
1.) मेमोरी सबसिस्टम की गुणवत्ता।
2.) सशर्त संक्रमण की संख्या और संक्रमण पूर्वसूचक की गुणवत्ता।
3.) निर्देशात्मक संगामिति का स्तर।
4.) वैश्वीकरण का उपयोग।
5.) बहु थ्रेडेड कंप्यूटिंग का उपयोग।

अनुकूलन

संकलक और प्रोग्रामर के पास गणना के सूचीबद्ध विशेषताओं पर क्या उपकरण हैं?

मेमोरी सबसिस्टम को बेहतर बनाने के लिए कई लूप ऑप्टिमाइज़ेशन कहा जाता है, जैसे कि लूप्स को स्वैप करना, ब्लॉक में लूप को विभाजित करना (लूप ब्लॉक करना), संयोजन और विभाजन लूप (लूप फ्यूजन / वितरण)। इन आशाओं में एक खामी है। सभी साइकिल इस तरह के अनुकूलन के लिए उपयुक्त नहीं हैं, और वे मुख्य रूप से सी और फोरट्रान में कंप्यूटिंग कार्यक्रमों में पाए जाते हैं। कंपाइलर प्रीमेप्टिव बाउंस मैकेनिज्म में मदद करने की कोशिश कर सकता है और स्वचालित रूप से प्रीफैच प्रोग्राम निर्देशों को सम्मिलित कर सकता है, लेकिन फिर, यह एक बहुत ही विशेष ऑपरेशन है, जिसमें तारों की अनुकूल व्यवस्था की आवश्यकता होती है। यदि एक निष्पादन योग्य मॉड्यूल बनाया जा रहा है, तो एक गतिशील प्रोफाइलर के साथ, कंपाइलर संरचनाओं के क्षेत्रों को फिर से व्यवस्थित करके और ठंडे क्षेत्रों को अलग-अलग संरचनाओं में स्थानांतरित करके अनुप्रयोग डेटा के स्थानिक इलाके में सुधार करने में सक्षम है। यहां तक ​​कि इस तरह के एक अनुकूलन भी है एक क्षेत्र से दूसरे संरचना को स्थानांतरित करना। कंपाइलर के लिए इस तरह के अनुकूलन की शुद्धता और लाभप्रदता को साबित करना काफी मुश्किल है, लेकिन प्रोग्रामर के लिए इस तरह की चीजें करना बहुत आसान है, मुख्य बात यह है कि एक या किसी अन्य कोड संशोधन के विचार को समझना है।
डेटा स्थानीयता में सुधार करने में एक महत्वपूर्ण भूमिका अदिश अनुकूलन द्वारा खेली जा सकती है, अर्थात। डेटा प्रवाह का विश्लेषण करने, स्थिरांक खींचने, नियंत्रण ग्राफ का अनुकूलन करने, सामान्य सबएक्सप्रेस निकालने, मृत कोड हटाने के लिए शामिल अनुकूलन। ये अनुकूलन, गणना की मात्रा को कम कर देते हैं जो एक अनुप्रयोग को करने की आवश्यकता होती है। परिणामस्वरूप, निर्देशों की संख्या कम हो जाती है और डेटा स्थानीयता में सुधार होता है, क्योंकि निर्देशों को भी कैश में संग्रहीत करने की आवश्यकता होती है। इन अनुकूलन विधियों के निष्पादन की गुणवत्ता को कंप्यूटिंग दक्षता कहा जा सकता है। Interprocedural विश्लेषण इन सभी अनुकूलन में मदद करता है। यदि उपयोग किया जाता है, तो डेटा प्रवाह का विश्लेषण वैश्विक हो जाता है, अर्थात। यह न केवल संकलक द्वारा संसाधित की जा रही एक विशिष्ट प्रक्रिया के स्तर पर, बल्कि पूरे कार्यक्रम के भीतर वस्तुओं के गुणों के हस्तांतरण का विश्लेषण करता है। विशिष्ट तर्कों के गुण जिनके साथ इस प्रक्रिया को एप्लिकेशन के विभिन्न स्थानों से बुलाया गया था, का अध्ययन किया जाता है और इस प्रक्रिया के अंदर उपयोग किया जाता है, वैश्विक वस्तुओं के गुणों का अध्ययन किया जाता है, प्रत्येक फ़ंक्शन के लिए वस्तुओं की एक सूची बनाई जाती है जो इस फ़ंक्शन के अंदर उपयोग या संशोधित की जा सकती हैं, आदि फ़ंक्शन बॉडी का प्रतिस्थापन। inlining) और आंशिक प्रतिस्थापन भी डेटा स्थानीयता पर सकारात्मक प्रभाव डाल सकते हैं। आप उपरोक्त में से कई अनुकूलन नहीं कर सकते हैं, क्योंकि प्रत्येक फैला हुआ निरंतर का प्रभाव डरावना हो सकता है, लेकिन परिणामस्वरूप, स्थिरांक को खींचने से एक अच्छा समग्र प्रभाव प्राप्त होता है और अक्सर यह लागू करना संभव बनाता है और अधिक जटिल अनुकूलन के प्रभाव का सही ढंग से मूल्यांकन करता है।
इसके अलावा, अनुकूलन करने वाला कंपाइलर आवंटन को पंजीकृत करने के लिए बहुत ध्यान देता है।

अनुकूली संकलक सशर्त शाखाओं की संख्या और संक्रमण पूर्वसूचक की गुणवत्ता को कम करने के लिए कुछ क्रियाएं कर सकता है। सबसे तुच्छ स्थिति स्थैतिक शाखा पूर्वसूचक के प्रदर्शन में सुधार करना है, जिसके तहत संक्रमण होता है। स्थैतिक भविष्यवक्ता मानता है कि यदि नियंत्रण ग्राफ की शाखाकरण के दौरान एक नीचे की ओर संक्रमण संभव है, तो इसे निष्पादित नहीं किया जाएगा। यदि कंपाइलर का मानना ​​है कि यदि शाखा की संभावना अन्य की तुलना में कम है, तो वह उन्हें स्वैप कर सकता है। एक बहुत मजबूत अनुकूलन चक्रों से एक अपरिवर्तनीय चेक को हटाना है। एक और प्रसिद्ध अनुकूलन लूप अन्रॉलिंग है। एक उपयोगी स्केलर अनुकूलन है जो नियंत्रण ग्राफ के साथ स्थितियों को फैलाता है, जो आपको अनावश्यक जांच को हटाने, उन्हें संयोजित करने और नियंत्रण ग्राफ को सरल बनाने की अनुमति देता है। इसके अलावा, कंपाइलर कुछ पैटर्न को पहचानने में सक्षम है और सेमीव जैसे निर्देशों के उपयोग से शाखाओं को बदल सकता है। आप शायद अधिक उदाहरण दे सकते हैं, लेकिन यह भी दर्शाता है कि गलत अनुमानों के कारण अनुकूलन कंपाइलर के पास देरी से निपटने के तरीके हैं।

निर्देशात्मक समानता में सुधार करने के लिए, शेड्यूलिंग का उपयोग किया जाता है, जो कोड जनरेशन के दौरान कंपाइलर के काम के अंतिम चरणों में किया जाता है।

वेक्टराइजेशन के उपयोग के माध्यम से एप्लिकेशन के प्रदर्शन को बेहतर बनाने के लिए, हमारे कंपाइलर में एक स्वचालित वेक्टराइज़र होता है जो लूपों के वैश्वीकरण करता है और वेक्टर के साथ स्केलर कोड को प्रतिस्थापित करता है। यह संकलक घटक लगातार वेक्टर एक्सटेंशन की नई विशेषताओं को कार्यान्वित कर रहा है, मान्यता प्राप्त मुहावरों की संख्या बढ़ा रहा है, मिश्रित डेटा लूप्स को सदिश कर रहा है, आदि इसके अलावा, वेक्टराइज़र कोड में विभिन्न रनटाइम चेक सम्मिलित करता है और वेक्टर-वर्जन की दक्षता से बहु-संस्करण कोड बनाता है। लूप में पुनरावृत्तियों की संख्या से, मेमोरी में विभिन्न वस्तुओं के स्थान से, उपयोग किए गए मल्टीमीडिया एक्सटेंशन से। अधिक कुशल संचालन के लिए, अन्य लूप अनुकूलन के साथ वेक्टराइज़र इंटरैक्शन आवश्यक है। संकलक हमेशा वेक्टरकरण की वैधता साबित करने में सक्षम नहीं होता है, इसलिए विभिन्न निर्देशों का समर्थन किया जाता है ताकि प्रोग्रामर कार्यक्रम के अपने ज्ञान का उपयोग कर सके और उत्पादक कोड बनाने में मदद कर सके।

इंटेल कंपाइलर डेवलपर्स को ऑटो-समानांतरकरण का उपयोग करने की पेशकश करता है - लूप के स्वत: समानांतरकरण के लिए एक तंत्र। यह, वास्तव में, श्रम लागत के मामले में बहु-थ्रेडेड एप्लिकेशन बनाने का सबसे सस्ता तरीका है, एक विशेष विकल्प के साथ एप्लिकेशन का निर्माण शुरू करना। लेकिन अनुकूलन करने वाले संकलन के दृष्टिकोण से, यह एक आसान काम नहीं है। अनुकूलन की व्यवहार्यता साबित करने के लिए आवश्यक है, लूप के अंदर किए गए कार्य की मात्रा का सही मूल्यांकन करना आवश्यक है, ताकि समानांतर पर निर्णय से उत्पादकता में सुधार हो। स्वचालित समानांतरकरण के साथ-साथ ऑटो-वेक्टराइजेशन को अन्य लूप ऑप्टिमाइज़ेशन के साथ बातचीत करनी चाहिए। शायद, इस क्षेत्र में सबसे अच्छा अनुकूलन एल्गोरिदम अभी तक नहीं लिखा गया है, और प्रयोगों और अभिनव विचारों के लिए गुंजाइश अभी भी महान है। प्रोग्रामर के लिए अधिक स्पष्ट होने वाले समानांतरकरण के तरीकों को विकसित करने के लिए, नए भाषा एक्सटेंशन और विभिन्न समर्थन पुस्तकालय बनाए जाते हैं, जैसे कि CILK + या थ्रेडिंग बिल्डिंग ब्लॉक। वैसे, अच्छा और विश्वसनीय OPENMP भी छूट के लिए बहुत जल्दी है।

निष्कर्ष:

पिछले पोस्ट में, मैंने सुझाव दिया कि यह समझने के लिए कोई सरल मानदंड नहीं है कि किसी एप्लिकेशन को कितनी अच्छी तरह से अनुकूलित किया गया है। यह इस तथ्य से आता है कि कई अलग-अलग प्रदर्शन अनुकूलन हैं जो केवल तभी उपयोग किए जा सकते हैं यदि कुछ शर्तों को पूरा किया जाए। क्या ये स्थितियां पूरी होती हैं, क्या इस या उस अनुकूलन को करने का एक अवसर है - इस मुद्दे को समझने के लिए और आवेदन प्रदर्शन के विश्लेषण की प्रक्रिया में यह आवश्यक है। इसलिए, मेरी राय में, अनुप्रयोग प्रदर्शन का विश्लेषण उत्पादकता के लिए आवेदन के महत्वपूर्ण क्षेत्रों की पहचान करने के लिए कम किया जाता है, इन क्षेत्रों में प्रोसेसर में संभावित देरी के कारणों का निर्धारण, यह निर्धारित करने की कोशिश करना कि क्या पहचान कारणों को प्रभावित करने वाले अनुकूलन का उपयोग करना संभव है, और वेक्टरिंग द्वारा आवेदन प्रदर्शन में सुधार की संभावना का निर्धारण करना। साथ में चलाना।

सदिश सदिश है (विश्लेषण का एक छोटा सा उदाहरण)

कभी-कभी यहां तक ​​कि एक ही एप्लिकेशन प्रदर्शन का विश्लेषण करते समय बिल्कुल आश्चर्यजनक परिणाम दिखा सकता है। यहाँ, उदाहरण के लिए, हम अपने आप से पूछते हैं कि क्या वेक्टर वेक्टर होता है? इस परीक्षण पर विचार करें:

#include <vector> using namespace std; int main () { vector<float> myvector; vector<float>::iterator it; for(int j=0; j<1000; j++) { it = myvector.end(); it = myvector.insert ( it , j ); } for (int i=1; i < myvector.size(); ++i) myvector[i]++; printf("%f\n",myvector[0]); return 0; } 

मैं इस पाठ को संकलित करने के लिए VS2008 में एकीकृत इंटेल कंपाइलर का उपयोग करता हूं। इस मामले में, मुझे इस सवाल में दिलचस्पी है कि क्या चक्र कोड के 14 लाइन में प्रकाशित हुआ है। ऑटोवैक्टर रिपोर्ट देखने के लिए –Qvec_report3 विकल्प का उपयोग करें:

icl -Qvec_report3 -Qipo -Qansi_alias वेक्टर.cpp
Intel C ++ इंटेल 64 कंपाइलर XE Intel 64, वर्जन मेनलाइन बीटा बिल्ड x पर चलने वाले एप्लिकेशन के लिए
...
... \ Vector.cpp (14): (कॉल 30) टिप्पणी: लूप वेक्टर नहीं किया गया था: असमर्थित लूप संरचना।
...

अब मैं उसी संकलक का उपयोग करता हूं, लेकिन पहले से ही VS2010 में एकीकृत है।

icl -Qvec_report3 -Qipo -Qansi_alias वेक्टर.cpp
...
... \ Vector.cpp (14): (कॉल 30) टिप्पणी: लोड किया गया था।
...

मैं यहां उन तरीकों के बारे में बात नहीं करूंगा जिनमें से एक ही कार्यक्रम को संकलित करते समय संकलक के विभिन्न व्यवहार के कारण की तह तक जा सकते हैं। (आप कोडांतरक को देख सकते हैं, आप कोड को प्रीप्रोसेस कर सकते हैं)। चूंकि इंटेल कंपाइलर को वीएस के विभिन्न संस्करणों में एकीकृत किया गया है, ऐसे में एसटीएल लाइब्रेरी के विभिन्न संस्करणों का उपयोग किया जाता है। STL VS2008 संस्करण में, [] ऑपरेटर में सरणी को ओवरफ्लो करने के लिए एक चेक होता है। नतीजतन, __invalid_parameter_noinfo प्रक्रिया के लिए एक कॉल लूप के अंदर दिखाई देता है और प्रोग्राम से बाहर निकलता है, और कंपाइलर ऐसे लूप को वेक्टर करने में असमर्थ है। लेकिन VS2010 में अब ऐसा कोई सत्यापन नहीं है। मुझे आश्चर्य है कि क्यों?
यह हास्यास्पद है कि यदि आप –Qansi_alias विकल्प को हटाते हैं, तो वैश्वीकरण भी गायब हो जाता है। यदि आप पूर्णांक को संग्रहीत करने के लिए एक वेक्टर बनाते हैं तो वही बात होती है, वास्तविक नहीं। लेकिन इन "चमत्कारों" के कारण एक अलग लेख के लिए एक अवसर है।

प्राथमिक स्रोत
विभिन्न प्रदर्शन मुद्दों पर शोध करने के लिए साहित्य: सॉफ्टवेयर ऑप्टिमाइज़ेशन कुकबुक, दूसरा संस्करण, या सॉफ्टवेयर वेक्टरकरण हैंडबुक।
विभिन्न अनुकूलन तकनीकों के लिए मूल स्रोत: रैंडी एलेन, केन कैनेडी। आधुनिक आर्किटेक्चर के साथ-साथ डेविड एफ बेकन, सुसान एल ग्राहम, ओलिवर जे। उच्च प्रदर्शन कम्प्यूटिंग के लिए संकलक परिवर्तन।
प्रोग्रामर में सुधार कोड में रुचि रखने वाले प्रोग्रामर के लिए, आप Agner Fog, C ++ में ऑप्टिमाइज़िंग सॉफ़्टवेयर, विंडोज, लिनक्स और मैक प्लेटफ़ॉर्म के लिए एक अनुकूलन गाइड बुक की सिफारिश कर सकते हैं ।
मैं अपने लेख "ओपन सिस्टम" में कंपाइलिंग ऑप्टिमाइज़र्स से कुछ विचारों को कॉपी करने के बारे में शर्मिंदा नहीं था ।