Grand Central Dispatch: jednoduchý test

5.9.2009 22:20 | Přečteno: 1948× | poslední úprava: 5.9.2009 23:23

Byl jsem požádán abych udělal jednoduchý test GCD, ze kerého by bylo poznat jak se to v reálu chová, jaký to má overhead a podobně.

#include < stdio.h>
#include < stdlib.h>
#include < stdint.h>
#include < inttypes.h>
#include < math.h>
#include < dispatch/dispatch.h>

int main(void) {

dispatch_queue_t queue = dispatch_get_global_queue(DISPATCH_QUEUE_PRIORITY_DEFAULT, 0);

int count = 100;

#ifdef GCD

dispatch_apply(count, queue, ^(size_t i) {

   printf("start %i\r\n",i);
   double suma =0;


   for(int y=1;y<=1000;y++)
      for(int x=1;x<100000;x++)
         suma += i*sin(y/x);

   printf("konec %i vysledek %e\r\n",i, suma);

});

#else
double suma;


for(size_t i=0;i< count;i++) {
   printf("start %i\r\n",i);
   suma =0;

   for(int y=1;y<=1000;y++)
      for(int x=1;x<100000;x++)
         suma += i*sin(y/x);
   printf("konec %i vysledek %e\r\n",i, suma);

}

#endif

  return 0;
}

Uznávám, že ten výpočet je nezajímavý, ale je to vyloženě jen za účelem jednoduchého testu. Pokud máte nějaký nápad co tam místo suma += i*sin(y/x); dát tak sem s tím :)

Pokud to přeložíme s direktívou GCD tak se provede výpočet paralelně s využitím GCD jinak se provede výpočet sekvenčně.

Výstup s GCD:

start 0
start 1
start 2
start 3
start 4
start 5
start 6
start 7
konec 1 vysledek 2.638081e+05
start 8
konec 4 vysledek 1.052888e+04
start 9
...

jinými slovy namnoží to 8 threadů, což dává na osmijádru smysl. Výstup time s GCD:

real	0m9.659s
user	1m12.893s
sys	0m0.102s

Výstup time bez GCD:

real	1m12.919s
user	1m12.874s
sys	0m0.033s

Speedup je tedy 7.55 což je na osmijádru adekvátní výsledek pro zcela paralelizovatelnou úlohu, která se vejde do L1 cache.

Nyní omezíme cyklus y z 1000 na 100 iterací a count zvedneme ze 100 na 1000, vyřadíme printf aby výsledek nebyl ovlivněn výstupem na konzoli a změníme deklaraci sumy na volatile aby nám ji mrcha-překladač neodpotimalizoval. Jinými slovy zkrátíme jednu úlohu desetinásobně ale vyrobíme jich desetkrát víc.

Výstup time s GCD:

real	0m9.324s
user	1m10.831s
sys	0m0.137s

Výstup time bez GCD:

real	1m10.870s
user	1m10.806s
sys	0m0.046s

Speedup je 7.6 tedy lepší než v minulém případě. To se dá vysvětlit tak, že ke konci výpočtu se už nudí jelikož pro ně není připraven žádný výpočetní blok, po kratičký okamžik počítá dokonce jen jedno jádro. Když zmenšíme dobu výpočtu jednoho bloku tak tuto dobu relativně k době celého výpočtu zkrátíme. Je také vidět, že bloků, jejichž výpočet trvá 7ms se vůbec nemusíme bát, réžie zařazování do fronty a přiřazování k threadům se zjevně příliš neprojeví. Takto lze dál zmenšovat vnitřní cykly a zvětšovat count a zjistíme, že karta se obrací až u bloků s trváním pod 0.05ms. Z toho lze usoudit, že výkonnostní réžie GCD je velmi malá.

Vraťme se ale k původnímu programu, vyrobme 4 instance každá bude vypisovat jiné písmeno a spustíme je současně. Jak bude vypadat výstup?

C: start 0
C: start 1
C: start 2
B: start 0
D: start 0
B: start 1
D: start 1
A: start 0
B: start 2
C: start 3
C: start 4
D: start 2
C: start 5
B: start 3
C: start 6
D: start 3
B: start 4
C: start 7
D: start 4
A: start 1
B: start 5
D: start 5
D: start 6
B: start 6
A: start 2
D: start 7
B: start 7
A: start 3
A: start 4
A: start 5
A: start 6
A: start 7
D: konec 7 vysledek 1.842554e+04
D: start 8
...

Jinými slovy nedělá to to, co bylo slibováno- vytvoří to 32 threadů

       

Komentáře

[Marek Bernát]

Čo sú presne tie inštancie? A čo bolo sľubované, že to bude robiť?

[miho]

 Viz předchozí blogpost o GCD.

[Marek Bernát]

No, nevidím tam priamo nič o inštanciách, ani žiadne sľuby, ale ak tomu správne rozumiem, inštancie sú rôzne procesy, o ktorých by GCD malo vedieť a vlákna by mali byť ešte nad tým? To je 8 GCD vlákien, ale priraďujú sa medzi tie 4 procesy (=inštancie?). Ak píšem kraviny, tak ma prosím oprav, ale fakt z toho nie som extra múdry, ani po tom minulom zápisku a diskusii

[miho]

Aha pardon, ja si neuvědomil na co se vlastně ptáš. Ty čtyři instance, které jsem zmínil to jsou 4 současně spuštěné procesy lišící se jen písmenkem které na začátaku vypisují. Prostě

time ./p1 & time ./p2  & time ./p3  & time ./p4

(nechtělo se mi hrát s va_args )

Teorie je taková, že by měl GCD inteligentně zasáhnout a pro každý proces povolit jen 2 thready ale neudělá to a povolí pro každý 8 threadů- Kdyby ty procesy více komunikovaly s pamětí tak by si navzájem přepisovaly TLB a obsah cache. Tohle určitě není optimální řešení...

 

[Marek Bernát]

Ok, takto som to aj pochopil, ale je-lepší-si-bejt-jistej-než-potom-litovat

[dark]

Podle mě to je fér. Jak chcete ošetřit třeba to, že na začátku spuštění úlohy jsou využité sice všechny jádra jiným procesem, který se ale za chvilku uklidní. Takto se sice vytvoří hodně vláken, které může OS spustit každé po sobě, takže v nejhorším případě by to mělo trvat jen o trochu dýl, než v případě jedno vlákna (o čas potřebný na synchronizaci / spuštění úloh).

Jediná možnost jak využít pouze dostupný potenciál je nějaká komunikace s OS (něco takového existuje zatím jen pro Windows 7).

[miho]

Přesně to Apple ve svých materiálech (nejen těch marketingových) slibuje - GCD má mít přehled o stavu front v celosystémovém měřítku a přidělovat prostředky na základě momentálního vytížení a znalosti všech front. Když spustím 8 instancí té aplikace tak se dostanu na load 64. Epic fail actually.

 

[mb]

Jste si jist, ze to skutecne vytvorilo 32 threadu? Vidite to v process manageru nebo to jen odhadujete z toho, ze se Vam spustilo 32 uloh pred prvnim ukoncenim?

Bude se to chovat stejne, kdyz globalni (konkurentni) frontu vymenite za vlastni serializovanou?

[miho]

Jsem, Mac OS ochotne praskne kolik ma proces threadu navic při 4 procesech load spolehlivě vyleze až na 32 a při 8 procesech na 64.

Když vyměním frontu za serializovanou tak se spustí jediný thread.

[mb]

OK. O to mi slo. Ze samotneho vystupu programu to totiz bez znalosti implementace globalni (konkurentni) fronty urcit nelze.

Cili to znamena, ze GCD optimalizuje nikoliv pro system, nybrz pro proces. Otazkou ale je, zda je to spatne ci ne -- priklad:

Procak se 4 jadry.

V systemu bezi 8 procesu, ktere aktivne vyuzivaji asynchronni GCD.

i) V pripade optimalizace pro system dle Vasi predstavy: GCD vytvori (az) 4 vlakna, na nichz se bude tech 8 procesu nejakym zpusobem stridat.

ii) V pripade optimalizace pro proces: GCD vytvori az 4 vlakna pro kazdy proces (dle aktualniho vyuzivani async dispatche kazdym procesem), ktere jsou dedikovany pro dany proces. Celkove v systemu v jeden cas az 32 vlaken specialne pro GCD.

ad i) Dovedu si predstavit, zvlaste tehdy, kdy exekuce jednoho tasku je casove netrivialni zalezitosti, ze nektere aplikace by naopak mohly ztratit na responsivite.

ad ii) Muzou existovat pripady, kdy bude v jednu dobu v systemu pomerne znacne mnozstvi vlaken specialne jen pro GCD, ktere budou vsechny aktivni. Scheduler se z toho pak mozna zblazni a responsivita aplikaci pujde zrejme take ke dnu. Otazkou je, zda je pocet GCD vlaken pro proces dynamicky menitelny ci nikoliv, tj. zda maji vzdy staticky thread pool nebo jeho kapacitu v runtimu prizpusobuji.

 

Pocitam, ze vysvetleni bude asi takove:

1) Bud je to jiz finalni verze implementace GCD presne podle predstav Apple vyvojaru. A pak bych jim veril, ze maji jednotlive varianty zmerene skrz naskrz a vysledkem je ta nejlepsi.

2) Nebo jde o prvni, neuplnou implementaci GCD, ktera jeste muze v dalsich (sub)releasech Mac OS X doznat zmen.

[mb]

Ha, nasel jsem na applovskym mailing listu pomerne rozsahlou diskusi na prakticky stejne tema. Jeste jsem se ji neprokousal, takze zatim bez komentare jen odkaz:

lists.apple.com/archives/PerfOptimization-dev/2009/Sep/msg00003.html

[dark]

Aha, pak je ale otázka, jestli je to vůbec možné. Podle mě není problém 8 vláken na proces, který něco počítá. Pokud má OS mnoho běžících procesů, tak ty vlákna zavolá sekvenčně, a výsledek bude trochu horší, než optimalizovaný pro jedno vlánko (ale asi né o moc horší).

V knihovně Fog jsem dělal multivláknové vykreslování, celkem jsem s tím experimentoval (nastavoval jsem u vláken i affinity a tak), ale dospěl jsem k závěru, že je lepší to nechat na OS. Pokud je OS zatížený, tak si ty vlákna zavolá postupně a je z toho prakticky jednovláknové vykreslování. Pokud má volné prostředky, tak to pustí na všechny jádra a výsledný čas je lepší.

Zjistil jsem, že pro náročnější úlohy (momentálně je to rasterizer) je největší problém memory management a L1/L2/L3 cache. Například u některých benchmarků na noťasu mi vychází, že při použití více vláken na jednodádru je vykreslení rychlejší, než při použití jen jednoho vlákna (hlavního). Vysvětlení je takové, že jednotlivé vlákna sice byly spuštěné postupně (sekvenčně), ale jejich práce se vešla do cache procesoru, takže výsledný čas byl třeba o 40% lepší (i přes minimální overhead způsobený synchronizací).

Troufám si dokonce tvrdit, že všechny SW grafické knihovny (je to můj obor:) ), co jsem viděl, jsou navržené s ohledem na dnešní procesory špatně, a teď nemluvím jen o cairu nebo GDI+, ale zapadá sem přes veškeré optimalizace i Fog a mnoho dalších knihoven / rasterizerů, které vykreslují věci postupně (bez analýzy). Možná se i někdy dopracuju k ideálnímu řešení.

[deda.jabko]

Zjistil jsem, že pro náročnější úlohy (momentálně je to rasterizer) je největší problém memory management a L1/L2/L3 cache.

ve svem dusledku tady tyto veci nema moc cenu resit... protoze kazdy procesor si to resi po svem... je rozdil, jak se chova k pameti vicejadrovy notebookovy procesor typu core duo a jak se chova viceprocesorovy stroj s xeony... a to nemluvim o tom, ze uplne jinak se chovaji opterony. a to se pohybujeme jenom v ramci jedne architektury...

Například u některých benchmarků na noťasu mi vychází, že při použití více vláken na jednodádru je vykreslení rychlejší, než při použití jen jednoho vlákna (hlavního).

docela casto podobne situace nastavaji pokud je potreba delsi dobu cekat na nejake I/O.

[dark]

V mém případě se jedná o čistý benchmark bez IO atd. Ten memory management jsem zmínil proto, protože u některých úloh hodně záleží na velikosti cache (a v grafické knihovně je celkem silný předpoklad, že data se do cache nevejdou), takže i celkem triviální přepis může znamenat výkonnostní rozdíl v desítkách procent.

Ještě bych upřesnil, že používám architekturu x86/x64. Ostatní architektury pro mě v současnosti nejsou zajímavé.