J'ai essayé de mesurer l'asymétrie de l'accès à la mémoire les effets de NUMA, et a échoué.
L'Expérience
Exécuté sur un processeur Intel Xeon X5570 @ 2.93 GHz, 2 Processeurs 8 cœurs.
Sur un fil épinglé core 0, I allouer un tableau x de taille 10 000 000 octets sur le core 0 nœud NUMA avec numa_alloc_local. Puis-je effectuer une itération sur tableau x 50 fois de lire et d'écrire chaque octet dans le tableau. Mesurer le temps écoulé à faire le 50 itérations.
Ensuite, sur chaque de l'autre des carottes dans mon serveur, j'ai broches un nouveau thread et mesurer à nouveau le temps écoulé 50 itérations de la lecture et de l'écriture pour chaque octet de la matrice x.
Tableau x est grand pour minimiser les effets de cache. Nous voulons mesurer la vitesse du PROCESSEUR est d'aller tout le chemin à la RAM pour charger et stocker, et non pas lorsque les caches sont à l'aider.
Il y a deux nœuds NUMA dans mon serveur, donc je m'attends les cœurs qui ont de l'affinité sur le même nœud dans lequel la matrice x est affecté à avoir plus rapide vitesse de lecture/écriture. Je ne vois pas de qui.
Pourquoi?
Peut-être NUMA n'est pertinente que sur les systèmes avec > de 8 à 12 cœurs, comme je l'ai vu proposé ailleurs?
http://lse.sourceforge.net/numa/faq/
numatest.cpp
#include <numa.h>
#include <iostream>
#include <boost/thread/thread.hpp>
#include <boost/date_time/posix_time/posix_time.hpp>
#include <pthread.h>
void pin_to_core(size_t core)
{
cpu_set_t cpuset;
CPU_ZERO(&cpuset);
CPU_SET(core, &cpuset);
pthread_setaffinity_np(pthread_self(), sizeof(cpu_set_t), &cpuset);
}
std::ostream& operator<<(std::ostream& os, const bitmask& bm)
{
for(size_t i=0;i<bm.size;++i)
{
os << numa_bitmask_isbitset(&bm, i);
}
return os;
}
void* thread1(void** x, size_t core, size_t N, size_t M)
{
pin_to_core(core);
void* y = numa_alloc_local(N);
boost::posix_time::ptime t1 = boost::posix_time::microsec_clock::universal_time();
char c;
for (size_t i(0);i<M;++i)
for(size_t j(0);j<N;++j)
{
c = ((char*)y)[j];
((char*)y)[j] = c;
}
boost::posix_time::ptime t2 = boost::posix_time::microsec_clock::universal_time();
std::cout << "Elapsed read/write by same thread that allocated on core " << core << ": " << (t2 - t1) << std::endl;
*x = y;
}
void thread2(void* x, size_t core, size_t N, size_t M)
{
pin_to_core(core);
boost::posix_time::ptime t1 = boost::posix_time::microsec_clock::universal_time();
char c;
for (size_t i(0);i<M;++i)
for(size_t j(0);j<N;++j)
{
c = ((char*)x)[j];
((char*)x)[j] = c;
}
boost::posix_time::ptime t2 = boost::posix_time::microsec_clock::universal_time();
std::cout << "Elapsed read/write by thread on core " << core << ": " << (t2 - t1) << std::endl;
}
int main(int argc, const char **argv)
{
int numcpus = numa_num_task_cpus();
std::cout << "numa_available() " << numa_available() << std::endl;
numa_set_localalloc();
bitmask* bm = numa_bitmask_alloc(numcpus);
for (int i=0;i<=numa_max_node();++i)
{
numa_node_to_cpus(i, bm);
std::cout << "numa node " << i << " " << *bm << " " << numa_node_size(i, 0) << std::endl;
}
numa_bitmask_free(bm);
void* x;
size_t N(10000000);
size_t M(50);
boost::thread t1(boost::bind(&thread1, &x, 0, N, M));
t1.join();
for (size_t i(0);i<numcpus;++i)
{
boost::thread t2(boost::bind(&thread2, x, i, N, M));
t2.join();
}
numa_free(x, N);
return 0;
}
La Sortie
g++ -o numatest -pthread -lboost_thread -lnuma -O0 numatest.cpp
./numatest
numa_available() 0 <-- NUMA is available on this system
numa node 0 10101010 12884901888 <-- cores 0,2,4,6 are on NUMA node 0, which is about 12 Gb
numa node 1 01010101 12874584064 <-- cores 1,3,5,7 are on NUMA node 1, which is slightly smaller than node 0
Elapsed read/write by same thread that allocated on core 0: 00:00:01.767428
Elapsed read/write by thread on core 0: 00:00:01.760554
Elapsed read/write by thread on core 1: 00:00:01.719686
Elapsed read/write by thread on core 2: 00:00:01.708830
Elapsed read/write by thread on core 3: 00:00:01.691560
Elapsed read/write by thread on core 4: 00:00:01.686912
Elapsed read/write by thread on core 5: 00:00:01.691917
Elapsed read/write by thread on core 6: 00:00:01.686509
Elapsed read/write by thread on core 7: 00:00:01.689928
Faire 50 itérations de la lecture et de l'écriture sur tableau x prend environ 1,7 secondes, n'importe qui de base est de faire de la lecture et de l'écriture.
Mise à jour:
La taille du cache sur mon Cpu est de 8 mo, donc peut-être que de 10 mo matrice x n'est pas assez grand pour éliminer cache effecs. J'ai essayé de 100 mo tableau x, et J'ai essayé la délivrance d'un mémoire complet clôture __synchronisation_synchronize() à l'intérieur de mon plus profond de boucles. Il ne révèle pas de l'asymétrie entre les nœuds NUMA.
Mise à jour 2:
J'ai essayé de la lecture et de l'écriture à la matrice x avec __synchronisation_fetch_et_add(). Toujours rien.
