CACHE 基礎

對cache的掌握，對于Linux工程師（其他的非Linux工程師也一樣）寫出高效能代碼，以及優化Linux系統的性能是至關重要的。簡單來說，cache快，內存慢，硬盤更慢。在一個典型的現代CPU中比較接近改進的哈佛結構，cache的排布大概是這樣的：

L1速度>L2速度>L3速度>RAM
L1容量

	

	現代CPU，通常L1 cache的指令和數據是分離的。

	這樣可以實現2條高速公路并行訪問，CPU可以同時load指令和數據。當然，cache也不一定是一個core獨享，現代很多CPU的典型分布是這樣的，比如多個core共享一個L3。

	比如這臺的Linux里面運行 lstopo 命令：

	

	人們也常常稱呼L2cache為 MLC （MiddleLevel Cache）, L3cache為 LLC（LastLevelCache）。

	這些Cache究竟有多塊呢？

	我們來看看Intel的數據，具體配置：Intel i7-4770 (Haswell), 3.4 GHz (Turbo Boostoff), 22nm. RAM: 32 GB (PC3-12800 cl11 cr2)

	訪問延遲：

	
L1DataCacheLatency=4cyclesforsimpleaccessviapointer
L1DataCacheLatency=5cyclesforaccesswithcomplexaddresscalculation(size_tn,*p;n=p[n]).
L2CacheLatency=12cycles
L3CacheLatency=36cycles(3.4GHzi7-4770)
L3CacheLatency=43cycles(1.6GHzE5-2603v3)
L3CacheLatency=58cycles(core9)-66cycles(core5)(3.6GHzE5-2699v3-18cores)
RAMLatency=36cycles+57ns(3.4GHzi7-4770)
RAMLatency=62cycles+100ns(3.6GHzE5-2699v3dual)


	

	數據來源：https://www.7-cpu.com/cpu/Haswell.html

	由此我們可以知道，我們應該盡可能追求cache的命中率高，以避免延遲， 最好是低級cache的命中率越高越好。

	CACHE 的組織

	SET、WAY、TAG、INDEX

	現代的cache基本按照這個模式來組織：SET、WAY、TAG、INDEX

	，這幾個概念是理解Cache的關鍵。隨便打開一個數據手冊，就可以看到這樣的字眼：

	

	但是它的執行時間，則遠遠不到后者的8倍：

	

	16KB 的cache是 4way 的話，每個set包括 4*64B ，則整個cache分為 16KB/64B/4 =64set

	，也即2的6次方。當CPU從cache里面讀數據的時候，它會用地址位的BIT6-BIT11來尋址set，BIT0-BIT5是cacheline內的offset。

	

	比如CPU訪問地址

	0 000000 XXXXXX

	或者

	1 000000 XXXXXX

	或者

	YYYY 000000 XXXXXX

	由于它們紅色的6位都相同，所以他們全部都會找到第0個set的cacheline。第0個set里面有4個way，之后硬件會用地址的高位如0,1，YYYY作為tag，去檢索這4個way的tag是否與地址的高位相同，而且cacheline是否有效，如果tag匹配且cacheline有效，則cache命中。

	所以地址YYYYYY000000XXXXXX全部都是找第0個set，YYYYYY000001XXXXXX全部都是找第1個set，YYYYYY111111XXXXXX全部都是找第63個set。每個set中的4個way，都有可能命中。

	中間紅色的位就是INDEX，前面YYYY這些位就是TAG。

	具體的實現可以是用虛擬地址或者物理地址的相應位做TAG或者INDEX。

	如果用虛擬地址做TAG，我們叫VT；

	如果用物理地址做TAG，我們叫PT；

	如果用虛擬地址做INDEX，我們叫VI；

	如果用物理地址做INDEX，我們叫PI。

	工程中碰到的cache可能有這么些組合：VIVT、VIPT、PIPT。

	VIVT、VIPT、PIPT

	具體的實現可以是用虛擬地址或者物理地址的相應位做TAG或者INDEX。

	如果用虛擬地址做TAG，我們叫VT；

	如果用物理地址做TAG，我們叫PT；

	如果用虛擬地址做INDEX，我們叫VI；

	如果用物理地址做INDEX，我們叫PI。

	VIVT的硬件實現開銷最低，但是軟件維護成本高；PIPT的硬件實現開銷最高，但是軟件維護成本最低；VIPT介于二者之間，但是有些硬件是VIPT，但是behave

	as PIPT，這樣對軟件而言，維護成本與PIPT一樣。

	在VIVT的情況下，CPU發出的虛擬地址，不需要經過MMU的轉化，直接就可以去查cache。

	

	而在VIPT和PIPT的場景下，都涉及到虛擬地址轉換為物理地址后，再去比對cache的過程。VIPT如下：

	

	PIPT如下：

	

	從圖上看起來，VIVT的硬件實現效率很高，不需要經過MMU就可以去查cache了。不過，對軟件來說，這是個災難。因為VIVT有嚴重的歧義和別名問題。

	歧義：一個虛擬地址先后指向兩個（或者多個）物理地址

	別名：兩個（或者多個）虛擬地址同時指向一個物理地址

	Cache別名問題

	這里我們重點看別名問題。比如2個虛擬地址對應同一個物理地址，基于VIVT的邏輯，無論是INDEX還是TAG，2個虛擬地址都是可能不一樣的(盡管他們的物理地址一樣，但是物理地址在cache比對中完全不摻和)，這樣它們完全可能在2個cacheline同時命中。

	

	由于2個虛擬地址指向1個物理地址，這樣CPU寫過第一個虛擬地址后，寫入cacheline1。CPU讀第2個虛擬地址，讀到的是過時的cacheline2，這樣就出現了不一致。所以，為了避免這種情況，軟件必須寫完虛擬地址1后，對虛擬地址1對應的cache執行clean，對虛擬地址2對應的cache執行invalidate。

	而PIPT完全沒有這樣的問題，因為無論多少虛擬地址對應一個物理地址，由于物理地址一樣，我們是基于物理地址去尋找和比對cache的，所以不可能出現這種別名問題。

	

	那么VIPT有沒有可能出現別名呢？答案是有可能，也有可能不能。 如果VI恰好對于PI，就不可能，這個時候，VIPT對軟件而言就是PIPT了：

	
VI=PI
PT=PT


	

	那么什么時候VI會等于PI呢？這個時候我們來回憶下虛擬地址往物理地址的轉換過程，它是以頁為單位的。假設一頁是4K，那么地址的低12位虛擬地址和物理地址是完全一樣的。回憶我們前面的地址：

	YYYYY000000XXXXXX

	其中紅色的000000是INDEX。在我們的例子中，紅色的6位和后面的XXXXXX（cache內部偏移）加起來正好12位，所以這個000000經過虛實轉換后，其實還是000000的，這個時候
VI=PI ，VIPT沒有別名問題。

	我們原先假設的cache是：16KB大小的cache，假設是4路組相聯，cacheline的長度是 64字節

	，這樣我們正好需要紅色的6位來作為INDEX。但是如果我們把cache的大小增加為32KB，這樣我們需要

	32KB/4/64B=128=2^7，也即7位來做INDEX。

	YYYY0000000XXXXXX

	這樣VI就可能不等于PI了，因為紅色的最高位超過了2^12的范圍，完全可能出現如下2個虛擬地址，指向同一個物理地址：

	

	這樣就出現了別名問題，

	我們在工程里，可能可以通過一些辦法避免這種別名問題，比如軟件在建立虛實轉換的時候，把虛實轉換往2^13而不是2^12對齊，讓物理地址的低13位而不是低12位與物理地址相同，這樣強行繞開別名問題，下圖中，2個虛擬地址指向了同一個物理地址，但是它們的INDEX是相同的，這樣VI=PI，就繞開了別名問題。這通常是PAGE

	COLOURING技術中的一種技巧。

	

	如果這種PAGE

	COLOURING的限制對軟件仍然不可接受，而我們又想享受VIPT的INDEX不需要經過MMU虛實轉換的快捷？有沒有什么硬件技術來解決VIPT別名問題呢？確實是存在的，現代CPU很多都是把L1

	CACHE做成VIPT，但是表現地（behave as）像PIPT。這是怎么做到的呢？

	這要求VIPT的cache，硬件上具備alias detection的能力。比如，硬件知道YYYY 0000000 XXXXXX既有可能出現在第
0000000 ，又可能出現在 1000000

	這2個set，然后硬件自動去比對這2個set里面是否出現映射到相同物理地址的cacheline，并從硬件上解決好別名同步，那么軟件就完全不用操心了。

	下面我們記住一個簡單的規則：

	對于VIPT，如果cache的size除以WAY數，小于等于1個page的大小，則天然VI=PI，無別名問題；

	對于VIPT，如果cache的size除以WAY數，大于1個page的大小，則天然VI≠PI，有別名問題；這個時候又分成2種情況:

	硬件不具備alias detection能力，軟件需要pagecolouring；

	硬件具備alias detection能力，軟件把cache當成PIPT用。

	比如cache大小64KB，4WAY，PAGE SIZE是4K，顯然有別名問題；這個時候，如果cache改為16WAY，或者PAGE

	SIZE改為16K，不再有別名問題。為什么？感覺小學數學知識也能算得清

	CACHE 的一致性

	Cache的一致性有這么幾個層面

	1.一個CPU的icache和dcache的同步問題

	2.多個CPU各自的cache同步問題

	3.CPU與設備（其實也可能是個異構處理器，不過在Linux運行的CPU眼里，都是設備，都是 DMA ）的cache同步問題

	

	cache中的映射

	1. 直接映射

	一個內存地址能被映射到的Cache line是固定的。就如每個人的停車位是固定分配好的，可以直接找到。缺點是：因為人多車位少，很可能幾個人爭用同一個車位，導致Cache淘汰換出頻繁，需要頻繁的從主存讀取數據到Cache，這個代價也較高。

	2. 全相聯映射

	主存中的一個地址可被映射進任意cache line，問題是：當尋找一個地址是否已經被cache時，需要遍歷每一個cache line來尋找，這個代價很高。就像停車位可以大家隨便停一樣，停的時候簡單，找車的時候需要一個一個停車位的找了。

	主存中任何一塊都可以映射到Cache中的任何一塊位置上。

	全相聯映射方式比較靈活，主存的各塊可以映射到Cache的任一塊中，Cache的利用率高，塊沖突概率低，只要淘汰Cache中的某一塊，即可調入主存的任一塊。但是，由于Cache比較電路的設計和實現比較困難，這種方式只適合于小容量Cache采用。

	3. 組相聯映射

	組相聯映射實際上是直接映射和全相聯映射的折中方案，其組織結構如圖（3）所示。

	主存和Cache都分組，主存中一個組內的塊數與Cache中的分組數相同，組間采用直接映射，組內采用全相聯映射。也就是說，將Cache分成2^u組，每組包含2^v塊，主存塊存放到哪個組是固定的，至于存到該組哪一塊則是靈活的。即主存的某塊只能映射到Cache的特定組中的任意一塊。主存的某塊b與Cache的組k之間滿足以下關系：k=b%(2^u).

	icache、dcache同步 - 指令流（ icache ）和數據流（ dcache ）

	先看一下 ICACHE 和 DCACHE 同步問題。由于程序的運行而言， 指令流的都流過icache ，而指令中涉及到的數據流經過dcache 。所以對于自修改的代碼（Self-Modifying Code）而言，比如我們修改了內存p這個位置的代碼（典型多見于JIT

	compiler），這個時候我們是通過store的方式去寫的p，所以新的指令會進入dcache。但是我們接下來去執行p位置的指令的時候，icache里面可能命中的是修改之前的指令。

	

	所以這個時候軟件需要把dcache的東西clean出去，然后讓icache invalidate，這個開銷顯然還是比較大的。

	但是，比如ARM64的N1處理器，它支持硬件的icache同步，詳見文檔：The Arm Neoverse N1 Platform: BuildingBlocks for the Next-Gen Cloud-to-Edge InfrastructureSoC

	

	特別注意畫紅色的幾行。軟件維護的成本實際很高，還涉及到icache的invalidation向所有核廣播的動作。

	接下來的一個問題就是多個核之間的cache同步。下面是一個簡化版的處理器，CPU_A和B共享了一個L3，CPU_C和CPU_D共享了一個L3。實際的硬件架構由于涉及到NUMA，會比這個更加復雜，但是這個圖反映層級關系是足夠了。

	

	比如CPU_A讀了一個地址p的變量？CPU_B、C、D又讀，難道B,C,D又必須從RAM里面經過L3,L2,L1再讀一遍嗎？這個顯然是沒有必要的，在硬件上，cache的snooping控制單元，可以協助直接把CPU_A的p地址cache拷貝到CPU_B、C和D的cache

	

	這樣A-B-C-D都得到了相同的p地址的棕色小球。

	假設CPU B這個時候，把棕色小球寫成紅色，而其他CPU里面還是棕色，這樣就會不一致了：

	

	這個時候怎么辦？這里面顯然需要一個協議，典型的多核cache同步協議有MESI和MOESI。MOESI相對MESI有些細微的差異，不影響對全局的理解。下面我們重點看MESI協議。

	MESI 協議

	MESI協議定義了4種狀態：

	M（Modified） :

	當前cache的內容有效，數據已被修改而且與內存中的數據不一致，數據只在當前cache里存在；類似RAM里面是棕色球，B里面是紅色球（CACHE與RAM不一致），A、C、D都沒有球。

	

	E（Exclusive 獨有的 ）

	：當前cache的內容有效，數據與內存中的數據一致，數據只在當前cache里存在；類似RAM里面是棕色球，B里面是棕色球（RAM和CACHE一致），A、C、D都沒有球。

	

	S（Shared） ：當前cache的內容有效，數據與內存中的數據一致，數據在多個cache里存在。類似如下圖，在CPU A-B-C里面cache的棕色球都與RAM一致。

	

	I（Invalid） ：當前cache無效。前面三幅圖里面cache沒有球的那些都是屬于這個情況。

	然后它有個狀態機

	

	這個狀態機比較難記，死記硬背是記不住的，也沒必要記，它講的cache原先的狀態，經過一個硬件在本cache或者其他cache的讀寫操作后，各個cache的狀態會如何變遷。所以，硬件上不僅僅是監控本CPU的cache讀寫行為，還會監控其他CPU的。只需要記住一點：這個狀態機是為了保證多核之間cache的一致性，比如一個干凈的數據，可以在
多個CPU的cache share ，這個沒有一致性問題；但是，假設其中一個CPU寫過了，比如A-B-C本來是這樣：

	

	然后B被寫過了：

	

	這樣A、C的cache實際是過時的數據，這是不允許的。這個時候，硬件會自動把A、C的cache

	invalidate掉，不需要軟件的干預，A、C其實變地相當于不命中這個球了：

	

	這個時候，你可能會繼續問，如果C要讀這個球呢？它目前的狀態在B里面是modified的，而且與RAM不一致，這個時候，硬件會把紅球clean，然后B、C、RAM變地一致，B、C的狀態都變化為S（Shared）：

	

	這一系列的動作雖然由硬件完成，但是對軟件而言不是免費的，因為它耗費了時間。如果編程的時候不注意，引起了硬件的大量cache同步行為，則程序的效率可能會急劇下降。

	為了讓大家直觀感受到這個cache同步的開銷，下面我們寫一個程序，這個程序有2個線程，一個寫變量，一個讀變量：

	

	這個程序里，x和y都是cacheline對齊的，這個程序的thread1的寫，會不停地與thread2的讀，進行cache同步。

	它的執行時間為：

	
$time./a.out
real0m3.614s
user0m7.021s
sys0m0.004s


	

	它在2個CPU上的userspace共運行了7.021秒，累計這個程序從開始到結束的對應真實世界的時間是3.614秒（就是從命令開始到命令結束的時間）。

	如果我們把程序改一句話，把thread2里面的c = x改為c =

	y，這樣2個線程在2個CPU運行的時候，讀寫的是不同的cacheline，就沒有這個硬件的cache同步開銷了：

	

	它的運行時間：

	
$time./b.out
real0m1.820s
user0m3.606s
sys0m0.008s


	

	現在只需要1.8秒，幾乎減小了一半。

	感覺前面那個a.out，雙核的幫助甚至都不大。如果我們改為單核跑呢？

	
$timetaskset-c0./a.out
real0m3.299s
user0m3.297s
sys0m0.000s


	

	它單核跑，居然只需要3.299秒跑完，而雙核跑，需要3.614s跑完。單核跑完這個程序，甚至比雙核還快，有沒有驚掉下巴？！！！因為單核里面沒有cache同步的開銷。

	下一個cache同步的重大問題，就是設備與CPU之間。如果設備感知不到CPU的cache的話（下圖中的紅色數據流向不經過cache），這樣，做DMA前后，CPU就需要進行相關的cacheclean和invalidate的動作，軟件的開銷會比較大。

	

	這些軟件的動作，若我們在Linux編程的時候，使用的是 streaming DMA APIs 的話，都會被類似這樣的API自動搞定：

	
dma_map_single()
dma_unmap_single()
dma_sync_single_for_cpu()
dma_sync_single_for_device()
dma_sync_sg_for_cpu()
dma_sync_sg_for_device()


	

	如果是使用的 dma_alloc_coherent ()API呢，則設備和CPU之間的buffer是cache一致的，不需要每次DMA進行同步。對于不支持硬件cache一致性的設備而言，很可能dma_alloc_coherent()會把CPU對那段DMA

	buffer的訪問設置為uncachable的。

	這些API把底層的硬件差異封裝掉了，如果硬件不支持CPU和設備的cache同步的話，延時還是比較大的。那么，對于底層硬件而言，更好的實現方式，應該仍然是硬件幫我們來搞定。比如我們需要修改總線協議，延伸紅線的觸角：

	

	當設備訪問RAM的時候，可以去snoop CPU的cache：

	如果做內存到外設的DMA，則直接從CPU的cache取modified的數據；

	如果做外設到內存的DMA，則直接把CPU的cache invalidate掉。

	這樣，就實現硬件意義上的cache同步。當然，硬件的cache同步，還有一些其他方法，原理上是類似的。注意，這種同步仍然不是免費的，它仍然會消耗bus

	cycles的。實際上，cache的同步開銷還與距離相關，可以說距離越遠，同步開銷越大，比如下圖中A、B的同步開銷比A、C小。

	

	對于一個NUMA服務器而言，跨NUMA的cache同步開銷顯然是要比NUMA內的同步開銷大。

	意識到 CACHE 的編程

	通過上一節的代碼，讀者應該意識到了cache的問題不處理好，程序的運行性能會急劇下降。所以意識到cache的編程，對程序員是至關重要的。

	7-zip LZMA 基準

	https://www.7-cpu.com/

	LZMA基準說明

	LZMA基準測試顯示了MIPS等級（每秒百萬條指令）。額定值是根據測得的速度計算得出的，并通過關閉多線程選項的Intel Core 2CPU的結果進行了標準化。因此，如果您擁有Intel或AMD的現代CPU，則單線程模式下的額定值必須接近實際CPU頻率。

	該測試中用于壓縮的測試數據是使用特殊算法生成的，該算法創建的數據流具有真實數據的某些屬性，例如文本或執行代碼。請注意，用于實際數據的LZMA的速度可能會略有不同。

	壓縮速度 很大程度上取決于內存（RAM）延遲，數據高速緩存大小/速度和TLB。CPU的無序執行功能對該測試也很重要。

	解壓縮速度在

	很大程度上取決于CPU整數運算。該測試最重要的事情是：分支錯誤預測損失（流水線的長度）和32位指令的延遲（“乘”，“移位”，“加”和其他）。減壓測試具有大量不可預測的分支。請注意，某些CPU體系結構（例如32位ARM）支持可以有條件執行的指令。因此，在LZMA解壓縮代碼中的許多情況下，此類CPU可以在沒有分支的情況下工作（也無需管道沖洗）。與不支持復雜的有條件執行的其他體系結構相比，此類CPU具有一些速度優勢。亂序執行功能對于LZMA減壓并不那么重要。

	測試代碼不使用FPU和SSE。大多數代碼是32位整數代碼。壓縮代碼中只有一小部分也使用64位整數。RAM和緩存帶寬對于這些測試而言并不那么重要。延遲要重要得多。

	對于這些測試，CPU的IPC（每個周期的指令）速率不是很高。對于現代CPU，測試IPC的估計值為1（每個周期一條指令）。壓縮測試具有對RAM和數據緩存的大量隨機訪問。執行時間中很大一部分，CPU等待數據緩存或RAM中的數據。在分支預測錯誤之后，減壓測試會進行大量的管道沖洗。如此低的IPC意味著有一些未使用的CPU資源。但是具有超線程功能的CPU可以使用兩個線程來加載這些CPU資源。因此，超線程在這些測試中提供了很大的改進。

	多線程模式下的LZMA

	當您指定（N *2）個線程進行測試時，程序將創建N份LZMA編碼器副本，并且每個LZMA編碼器實例都會壓縮單獨的測試數據塊。每個LZMA編碼器實例都會創建3個非對稱執行線程：兩個大線程和一個小線程。這3個線程的總CPU負載可以在140％到200％之間變化。為了在壓縮過程中提供更好的CPU負載，我們還測試了基準線程數大于硬件線程數的模式。

	每個處于多線程模式的LZMA編碼器實例將壓縮任務分為3個不同的任務，其中每個任務在單獨的線程中執行。這些任務中的每一個都比原始任務簡單，并且使用更少的內存。因此，每個線程在多線程模式下都會更有效地使用數據緩存和TLB。LZMA編碼器在“多線程”模式下將“速度”的值除以“

	CPU使用率”會更有效。

	請注意，LZMA編碼器的3個線程之間存在一些數據通信。因此，通過CPU線程之間的內存進行數據交換的帶寬也很重要，尤其是在具有大量內核或CPU的多核系統中。

	所有LZMA解碼器線程都是對稱且獨立的。因此，如果使用了硬件線程數，則解壓縮測試將使用所有硬件線程。

	LZMA成績

	我們將基準測試結果用于32 MB詞典（控制臺版本的結果中的“ 25：”行）。如果沒有32

	MB的字典結果，則將結果用于較小的字典。大多數x86測試都是在Windows

	7官方二進制文件上進行的。一些測試是在64位模式下執行的。其他平臺上的大多數測試都是使用GCC編譯的p7zip進行速度優化的。

	新版本的7-Zip提供了改進的性能。例如，最新版本的x64平臺的7-Zip使用以匯編器編寫的用于解壓縮的優化代碼，因此評級結果可以是以前版本的7-Zip的1.7倍。但是表中的大多數結果表示在進行這些優化之前，使用舊版本的7-Zip執行的度量。如果某些CPU已通過7-Zip的新版本進行了測試，則會在7-Zip的版本號上打上標記。

	

	   審核編輯：彭靜