基于硬件事件的并行程序指令级性能模型与应用

J4 ›› 2013, Vol. 35 ›› Issue (11): 175-181.

基于硬件事件的并行程序指令级性能模型与应用

罗红兵，武林平

（北京应用物理与计算数学研究所高性能计算中心,北京 100094）

收稿日期:2013-08-10 修回日期:2013-10-18 出版日期:2013-11-25 发布日期:2013-11-25
基金资助:
国家863计划资助项目（2012AA01A309）

An instruction level performance model of
parallel program based on hardware events

LUO Hong-bing,WU Lin-ping

（High Performance Computing Center,Institute of Applied Physics and Computational Mathematics,Beijing 100094,China）

Received:2013-08-10 Revised:2013-10-18 Online:2013-11-25 Published:2013-11-25

摘要/Abstract

摘要：

当前，应用程序持续运行性能与高性能计算机峰值性能的差距有扩大的趋势，许多实际应用程序的性能通常只能达到机器峰值性能的5%～10％，甚至更低，如何优化并行应用成为高性能计算领域关注的焦点。从如何利用硬件事件进行程序指令级优化入手，提出一种基于硬件事件的性能模型，揭示出程序性能与程序特征、微处理器特征的关系。基于该性能模型，在Intel Xeon微处理器平台上对Euler等程序进行优化，gas1dapproxy等性能热点模块的执行时间可以缩短12％～61％。性能优化实验表明：使用该性能模型可以降低用户进行指令级并行性能优化的难度，指导用户选择正确的性能优化方向。

关键词: 性能分析, 性能优化, 性能模型, 指令级并行

Abstract:

The gap between peak performance of supercomputer and sustained performance of applications is becoming bigger and bigger, and many actual applications only reach 5%~10% of peak performance for supercomputer, or even less, therefore, performance problem is being gotten more and more concerns during parallel program development. A performance model based on hardware monitor events is proposed, which reveals relationship between performance and feature of program and processor. Based on the performance model, Euler and other programs are optimized on the Intel Xeon platform, and the execution time of hotspot modules such as gas1dapproxy is shortened by 12%~61%. The experiment results show that this model is helpful to optimize ILP performance of the scientific computing applications.

Key words: performance analysis;performance optimization;performance model;instruction level parallelism

罗红兵，武林平. 基于硬件事件的并行程序指令级性能模型与应用[J]. J4, 2013, 35(11): 175-181.

LUO Hong-bing,WU Lin-ping. An instruction level performance model of
parallel program based on hardware events [J]. J4, 2013, 35(11): 175-181.

[1]	施禹, 董攀, 张利军. 一种不规则稀疏矩阵的SpMV方法[J]. 计算机工程与科学, 2024, 46(07): 1175-1184.
[2]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[3]	刘仲, 李程, 田希, 刘胜, 邓让钰, 钱程东. MVSim：面向VLIW多核向量处理器的快速、可扩展和精确的体系结构模拟器[J]. 计算机工程与科学, 2024, 46(02): 191-199.
[4]	李飞, 郭绍忠, 周蓓, 宋广辉, 郝江伟, 许瑾晨. RISC-V基础数学库性能优化[J]. 计算机工程与科学, 2023, 45(09): 1532-1543.
[5]	康宇晗, 时洋, 陈照云, 文梅. 面向迈创+MatrixZone异构系统的深度学习编程框架[J]. 计算机工程与科学, 2023, 45(07): 1149-1158.
[6]	莫舒恒, 卢圣有, 黄聃, 卢宇彤. 基于即时编译的GNU Octave性能优化[J]. 计算机工程与科学, 2022, 44(12): 2091-2101.
[7]	沈佳杰, 卢修文, 向望, 赵泽宇, 王新, . 分布式存储系统读写一致性算法性能优化研究综述[J]. 计算机工程与科学, 2022, 44(04): 571-583.
[8]	张驭洲, 曹武迪, 卜景德, 谭光明, 吉青. GROMACS 2020在ROCm平台上的移植与优化[J]. 计算机工程与科学, 2021, 43(11): 1901-1909.
[9]	周静, 关玉蓉. 基于SDN的DWSN技术分析及性能优化研究[J]. 计算机工程与科学, 2021, 43(08): 1413-1421.
[10]	朱良杰, 沈佳杰, 周扬帆, 王新, . 云际存储系统性能优化研究现状与展望[J]. 计算机工程与科学, 2021, 43(05): 761-772.
[11]	徐海坤, 匡邓晖, 刘杰, 龚春叶, . 基于RMC的蒙特卡罗程序性能优化[J]. 计算机工程与科学, 2021, 43(04): 634-640.
[12]	雷国庆, 马驰远, 王永文, 郑重. 一种轻量级的处理器核性能分析框架[J]. 计算机工程与科学, 2021, 43(02): 199-204.
[13]	蒋句平, 董德尊, 唐虹, 齐星云, 常俊胜, 庞征斌. 大规模高性能互连拓扑性能分析[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1730-1736.
[14]	范培勤1,3，刘晓妍2，过武宏1,3，崔宝龙1,3. WKBZ简正波模型混合并行计算方法研究[J]. 计算机工程与科学, 2020, 42(03): 404-410.
[15]	王吉军，郝子宇，李宏亮. 3D-MMA:基于3D集成电路的矩阵乘加速结构[J]. 计算机工程与科学, 2019, 41(12): 2110-2118.