Architektura počítačů Zvyšování výkonnosti http://d3s.mff.cuni.cz http://d3s.mff.cuni.cz/teaching/nswi143 Lubomír Bulej bulej@d3s.mff.cuni.cz CHARLES UNIVERSITY IN PRAGUE faculty of mathematics and physics
Faktory omezující výkon procesoru 2/78 Délka strojového cyklu Omezení délkou nejsložitější fáze nejsložitější instrukce Zrychlení: Přechod od jednocyklové datové cesty k vícecyklové datové cestě Jednoduché instrukce lze provést rychleji než složitější instrukce insn0.fetch, dec, exec insn0.fetch, dec, exec insn0.fetch insn0.dec insn0.exec0 insn0.exec1 insn1.fetch insn1.dec insn1.exec0 insn1.exec1 insn1.exec2
3/78 Faktory omezující výkon procesoru (2) Clock per instruction (CPI) Omezení počtem zpracovávaných instrukcí v jednom okamžiku I vícecyklová datová cesta v každý okamžik zpracovává pouze jednu instrukci Latence vs. propustnost Latence jedné instrukce je odvozena od délky strojového cyklu (tuto délku nemůžeme zkracovat neomezeně) Propustnost posloupnosti instrukcí (celého programu) zvýšíme paralelním zpracováním více instrukcí současně
4/78 Zřetězené zpracování instrukcí Pipelining Při zahájení 2. kroku instrukce zahájí datová cesta současně 1. krok následující instrukce Paralelismus na úrovni instrukčních kroků (zachování sekvenčního modelu) Latence (doba zpracování) jednotlivých instrukcí se nemění, zvyšuje se propustnost insn0.fetch insn0.dec insn0.exec0 insn0.exec1 insn1.fetch insn1.dec insn1.exec0 insn1.exec1 insn1.exec2 insn0.fetch insn0.dec insn0.exec0 insn0.exec1 insn1.fetch insn1.dec insn1.exec0 insn1.exec1 insn1.exec2
Výkon zřetězeného procesoru 5/78 Hrubý odhad Zpracování n instrukcí, délka cyklu t, k kroků na instrukci T =n (k t ) Zřetězené zpracování s k-stupňovou pipeline První instrukce opustí pipeline po k taktech, každá další po 1 taktu T p =k t+(n 1) t Zrychlení Speedup= T T p = Zrychlení pro n >> k k+(n 1) n Speedup k n (k t) k t +(n 1) t = n k k +(n 1)
6/78 Datová cesta pro zřetězené zpracování Základní myšlenka Základem jednocyklová datová cesta Oddělená paměť pro instrukce a data Pomocné sčítačky (ALU se nesdílí) Prvky vícecyklové datové cesty Zpracování instrukce v oddělených krocích Registry pro mezivýsledky jednotlivých kroků (výstupy z instrukční a datové paměti, registrového pole a ALU)
Připomenutí: jednocyklová datová cesta MUX MUX MUX 7/78 PC 4 Jump Addr Insn IM add PC+4[31:28] I[15:0] I[25:0] I[25:21] I[20:16] I[15:11] RegDst Sign ext. Shl 2 MUX RegWrite RS RT RT/RD WD A B MUX Shl 2 32 ALUSrc 32 MemToReg 32 ALUOp ALU Branch add MemWrite Addr Data DM RF 32
Připomenutí: vícecyklová datová cesta 8/78 PC IorD MemWrite IRWrite RegDst RegWrite ALUSrcA Address Data Data Memory MemRead Insn Register [25:21] [20:16] [15:0] [15:11] Data Register 0 1 Read register 1 Read register 2 Write register Write data Register data 1 Register data 2 Register File A B 4 ALUSrcB 3 2 ALU ALU Control ALUOp ALU Out MemToReg [15:0] [5:0] 16 Sign 32 Shl ext. 2
Datová cesta pro zřetězené zpracování (2) 0 1 9/78 Branch 4 Jump add Shl 2 Shl 2 ALUOp add PC Addr Insn IM IR [25:0] [15:0] [25:21] [20:16] [15:11] RegDst Sign ext. RS RT RD WD RF A B A B ALUSrc ALU O Addr Data DM MemWrite D MemToReg RegWrite
Datová cesta pro zřetězené zpracování (3) 0 1 Branch 4 Jump add Shl 2 Shl 2 ALUOp add PC Addr Insn IM IR [25:0] [15:0] [25:21] [20:16] [15:11] RegDst Sign ext. RS RT RD WD RF A B A B ALUSrc ALU O Addr Data D DM MemToReg MemWrite RegWrite Fetch Decode Execute Memory access Write back 10/78
Datová cesta pro zřetězené zpracování (4) Datová cesta rozdělena do k úseků (stupňů, stages) V každém úseku jiná instrukce Nejpomalejší úsek určuje rychlost pipeline Mezi jednotlivými úseky registry (latches) Stav instrukce, operandy, řídící signály Instrukce uvnitř datové cesty jsou v různých stavech Ideální stav: CPI = 1 V každém hodinovém cyklu opustí pipeline jedna instrukce Latence instrukcí zvyšuje režii, ne propustnost Reálně: CPI > 1 (zpoždění pipeline) 11/78
Datová cesta pro zřetězené zpracování (5) 0 1 0 1 Branch PC 4 PCSrc add Addr Insn IM IF/ID PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Kolize Jump RegDst Shl 2 Sign ext. RegWrite RS RT RD WD RF A B ID/EX PC+4 imm A B Shl 2 ALUSrc add ALUOp ALU EX/MA O R Addr Data DM MemWrite MemToReg MA/WB O D Fetch Decode Execute Memory access Write back 12/78
Datová cesta pro zřetězené zpracování (6) 0 1 0 1 Branch PC 4 PCSrc add Addr Insn IM RegDst IF/ID PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Jump Shl 2 Sign ext. RegWrite RS RT RD WD RF A B ID/EX PC+4 imm Shl 2 ALUSrc add ALUOp Fetch Decode Execute A B RD ALU EX/MA O R RD Addr Data DM MemWrite Memory access MemToReg MA/WB O D RD Write back 13/78
Terminologická vsuvka Skalární pipeline (scalar pipeline) V každém úseku se zpracovává pouze 1 instrukce Superskalární pipeline (superscalar pipeline) V některých úsecích (ne nutně všech) lze zpracovávat více instrukcí současně (ne nutně všechny kombinace) Více ALU, složitější řízení Více pipeline vedle sebe, které sdílejí některé zdroje Pipeline U a V u původního Pentia 14/78
Terminologická vsuvka (2) Zpracování podle pořadí (in-order pipeline) Instrukce vstupují do pipeline podle pořadí v paměti Zpracování mimo pořadí (out-of-order pipeline) Pipeline může prohazovat pořadí provádění instrukcí Typické pro superskalární pipeline Cílem je vždy využít všechny ALU, které jsou k dispozici Předdekódování instrukcí pro zjištění jejich typu 15/78
Terminologická vsuvka (3) Délka/hloubka pipeline, počet stupňů pipeline (pipeline depth) Počet úseků (stages) pipeline U jednodušších RISCových procesorů bývá počet úseků odvozen od logických kroků instrukce U složitějších (superskalárních, out-of-order) procesorů trend používat více stupňů pipeline Obvykle lehce více než 10 stupňů 14-19 u Haswell/Broadwell/Skylake/Kaby Lake Mikroarchitektura NetBurst (Pentium 4) Hyper Pipelined Technology 20 stupňů od Willamette, 31 stupňů od Prescott 16/78
0 1 0 1 Zpracování 3 instrukcí, krok 1 Branch PCSrc Jump MemToReg 4 IF/ID ID/EX add MA/WB PC add Addr Insn IM PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Shl 2 Sign ext. RegWrite RS A RT B RD PC+4 imm A B Shl 2 ALUOp ALU EX/MA O R Addr Data O D RD RegDst WD ALUSrc DM RF RD RD MemWrite add $3, $2, $1 17/78
0 1 0 1 Zpracování 3 instrukcí, krok 2 Branch PCSrc Jump MemToReg 4 IF/ID ID/EX add MA/WB PC add Addr Insn IM PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Shl 2 Sign ext. RegWrite RS A RT B PC+4 imm A B Shl 2 ALUOp ALU EX/MA O R Addr Data O D RD RegDst ALUSrc DM RF RD RD MemWrite lw $4, 0($5) add $3, $2, $1 18/78
0 1 0 1 Zpracování 3 instrukcí, krok 3 Branch PCSrc Jump MemToReg 4 IF/ID ID/EX add MA/WB PC add Addr Insn IM PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Shl 2 Sign ext. RegWrite RS A RT B PC+4 imm A B Shl 2 ALUOp ALU EX/MA O R Addr Data O D RD RegDst ALUSrc DM RF RD RD MemWrite sw $6, 0($7) lw $4, 0($5) add $3, $2, $1 19/78
0 1 0 1 Zpracování 3 instrukcí, krok 4 Branch PCSrc Jump MemToReg 4 IF/ID ID/EX add MA/WB PC add Addr Insn IM PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Shl 2 Sign ext. RegWrite RS A RT B PC+4 imm A B Shl 2 ALUOp ALU EX/MA O R Addr Data O D RD RegDst ALUSrc DM RF RD RD MemWrite sw $6, 0($7) lw $4, 0($5) add $3, $2, $1 20/78
Zpracování 3 instrukcí, krok 5 0 1 0 1 Branch PC 4 PCSrc add Addr Insn IM RegDst IF/ID PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Jump Shl 2 Sign ext. RegWrite RS RT RD WD RF A B ID/EX PC+4 imm A B RD Shl 2 ALUSrc add ALUOp ALU EX/MA O R RD MA/WB O D RD Addr Data DM MemWrite MemToReg sw $6, 0($7) lw $4, 0($5) add $3, $2, $1 21/78
Zpracování 3 instrukcí, krok 6 0 1 0 1 Branch PC 4 PCSrc add Addr Insn IM RegDst IF/ID PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Jump Shl 2 Sign ext. RegWrite RD WD RF ID/EX PC+4 imm A B RD Shl 2 ALUSrc add ALUOp ALU EX/MA O R RD MA/WB O D RD Addr Data DM MemWrite MemToReg sw $6, 0($7) lw $4, 0($5) 22/78
Zpracování 3 instrukcí, krok 7 0 1 0 1 Branch PC 4 PCSrc add Addr Insn IM RegDst IF/ID PC+4 [25:0] [15:0] [25:21] [20:16] [15:11] Jump Shl 2 Sign ext. RegWrite RS RT RD WD RF A B ID/EX PC+4 imm A B RD Shl 2 ALUSrc add ALUOp ALU EX/MA O R RD MA/WB O D RD Addr Data DM MemWrite MemToReg sw $6, 0($7) 23/78
Řízení pipeline Různé přístupy Využití jednocyklového řadiče Signály je potřeba aktivovat postupně Kombinační obvod nebo ROM dekóduje operační kód instrukce Stejně jako datová cesta je i cesta pro řídící signály zřetězena pomocí latch registrů pro jednotlivé úseky Každá instrukce si nese řídící signály s sebou Využití vícecyklového řadiče Komplikované řešení Jeden složitý konečný automat Hierarchické konečné automaty (pro každý úsek pipeline) 24/78
25/78 Řízení pipeline (2) PCSrc Jump Control RegWrite MemToReg MemWrite WB ALUSrc MA WB ALUOp Branch EX EX MA MA WB WB IF/ID ID/EX EX/MA MA/WB
Výkonnost zřetězené datové cesty Jednocyklová datová cesta takt = 50ns, CPI=1 50ns na instrukci Vícecyklová datová cesta 20% branch (3T), 20% load (5T), 60% ALU (4T) takt = 11ns, CPI (20% 3) + (20% 5) + (60% 4) = 4 44ns na instrukci Zřetězená datová cesta takt = 12ns (cca 50ns/5 kroků) CPI = 1 (v každém cyklu je dokončena 1 instrukce) 12ns na instrukci? Ve skutečnosti CPI = 1 + režie > 1 CPI = 1.5 18ns na instrukci 26/78
Proč nelze dosáhnout CPI = 1? Reálná pipeline CPI = 1 + penalizace za zpoždění Penalizace odvozena z frekvence výskytu zpoždění a počet taktů zpoždění Ani velké penalizace nevadí, pokud nenastávají příliš často Penalizace ovlivňuje ideální počet stupňů pipeline Zpoždění (stall) je prázdný krok v pipeline Vložen s cílem ošetřit hazard pipeline Hazard Situace, která ohrožuje iluzi nezávislosti jednotlivých instrukcí 27/78
Typy hazardů v pipeline Strukturální hazard Hardware nepodporuje danou kombinaci instrukcí Současné použití sdíleného prostředku z více stupňů pipeline Řešení v našem případě: Oddělení instrukční a datové paměti Reálně: Oddělená instrukční a datová cache 28/78
Typy hazardů v pipeline (2) Datový hazard Instrukce nemá k dispozici data pro vykonání Hodnoty argumentů jsou výsledky operací instrukce, která je ještě stále v pipeline Nutnost počkat na předchozí instrukce Řídící hazard Nutno učinit rozhodnutí před vykonáním instrukce Podmíněný skok je zpracováván až ve 3. kroku V té době už pipeline zpracovává 2 další instrukce 29/78
30/78 Pipeline diagramy Zjednodušená reprezentace pipeline Všechny úseky trvají právě 1 cyklus Diskrétní čas v hodinových cyklech pořadí provádění instrukcí lw $10, 20($1) sub $11, $2, $3 add $13, $3, $4 lw $13, 24($1) add $14, $5, $6 1 2 3 4 5 6 7 8 9 čas [cykly]
Datový hazard Závislosti mezi operandy instrukcí Operand je výsledek operace předchozí instrukce Operand je obsah paměti čtený předchozí instrukcí Zjišťování závislostí (při návrhu) Graf Vrcholy = aktivní prvky pipeline v čase Hrany = řídící nebo datové signály Závislosti = hrany vedoucí dopředu v čase Zjišťování závislostí (v hardwaru) Vyhodnocování čísel registrů a paměťových adres všech instrukcí právě prováděných v pipeline 31/78
Datový hazard (2) 32/78 pořadí provádění instrukcí sub $2, $1, $3 1 2 3 4 5 6 7 8 9 čas [cykly] and $12, $2, $5 or $13, $6, $2 and $14, $2, $2 sw $15, 64($2)
Ošetření datových hazardů Na úrovni překladače (software interlock) Řazení instrukcí tak, aby došly do pipeline až v okamžiku, kdy mají k dispozici všechny operandy Mezi dvojici závislých instrukcí vložit nezávislou instrukci (nepotřebují žádný registr, který je předmětem závislosti) V nejhorším případě použití prázdné instrukce (nop) Nevhodné řešení z hlediska kompatibility MIPS = Microprocessor without Interlocked Pipeline Stages 33/78
Ošetření datových hazardů (2) Forwarding/bypassing Poskytnutí mezivýsledku následující instrukci Je-li výsledek v některém z následujících pipeline registrů (pro předchozí instrukci), lze jej přečíst přímo z tohoto pipeline registru a nečekat na registrové pole Forwarding unit Zdrojový operand vykonávané instrukce je cílový operand výsledku dřívější instrukce EX/MA.RD := ID/EX.RS EX/MA.RD := ID/EX.RT MA/WB.RD := ID/EX.RS MA/WB.RD := ID.EX.RT 34/78
Datový hazard forwarding/bypassing 35/78 pořadí provádění instrukcí sub $2, $1, $3 1 2 3 4 5 6 7 8 9 čas [cykly] and $12, $2, $5 or $13, $6, $2 and $14, $2, $2 sw $15, 64($2)
Ošetření datových hazardů (3) Zpoždění instrukce v pipeline V případě použití operandu (registru) bezprostředně po jeho načtení z paměti (load/use dependency) Hazard detection unit Testování, zda zdrojový operand dekódované instrukce je cílový operand dřívější instrukce čtení z paměti ID/EX.MemRead && (ID/EX.RT == IF/ID.RS ID/EX.RT == IF/ID.RT) 36/78
Datový hazard load/use závislosti 37/78 pořadí provádění instrukcí lw $2, 20($1) 1 2 3 4 5 6 7 8 9 čas [cykly] and $4, $2, $5 or $8, $2, $6 and $9, $4, $2 slt $1, $6, $7
Datový hazard load/use a forwarding 38/78 pořadí provádění instrukcí lw $2, 20($1) 1 2 3 4 5 6 7 8 9 čas [cykly] and $4, $2, $5 or $8, $2, $6 and $9, $4, $2 slt $1, $6, $7
Datový hazard zpoždění pipeline 39/78 pořadí provádění instrukcí lw $2, 20($1) 1 2 3 4 5 6 7 8 9 čas [cykly] and $4, $2, $5 nop and $4, $2, $5 IF ID or $8, $2, $6 and $9, $4, $2
Datový hazard zpoždění pipeline (2) 40/78 pořadí provádění instrukcí lw $2, 20($1) 1 2 3 4 5 6 7 8 9 čas [cykly] and $4, $2, $5 nop and $4, $2, $5 IF ID or $8, $2, $6 and $9, $4, $2
Datový hazard zpoždění pipeline (3) 41/78 pořadí provádění instrukcí lw $2, 20($1) 1 2 3 4 5 6 7 8 9 čas [cykly] and $4, $2, $5 nop and $4, $2, $5 IF ID or $8, $2, $6 and $9, $4, $2
Řídící hazard Odkud číst další instrukci Hodnota PC ovlivněna podmíněnými a nepodmíněnými skoky Rozhodnutí závisí na výsledku, který bude k dispozici o několik taktů později, než je potřeba Výjimky a přerušení Ošetření řídícího hazardu Forwarding není možný Cílová adresa skoku může být známa, ale vyhodnocení podmínky ne Cíl: Minimalizovat zpoždění pipeline 42/78
Řídící hazard větvení 43/78 pořadí provádění instrukcí 40: beq $1, $3, 28 IF 1 2 3 4 5 6 7 8 9 ID EX MA WB čas [cykly] 44: and $12, $2, $5 48: or $13, $6, $2 52: and $14, $2, $2 72: lw $4, 50($7)
Ošetření řídícího hazardu Zpozdit pipeline do dokončení skoku Snaha udržet stále plnou pipeline Odkud číst další instrukce? Zrychlené vyhodnocení skoku Přesun výpočtu adresy skoku a vyhodnocení podmínky z úseku EX do úseku ID Forwardování mezivýsledků Předpokladem je jednoduchá podmínka skoku (např. test na rovnost) Zpoždění 1 cyklus při skoku Zpožděný skok (branch delay slot) Vždy se vykoná 1 instrukce po instrukci skoku 44/78
Ošetření řídícího hazardu (2) Snaha udržet stále plnou pipeline Odkud číst další instrukce? Branch target buffer Cache cílových adres specifických instrukcí Spekulativní provádění instrukcí Provádění instrukcí naslepo bez vyhodnocení podmínky skoku Pokud se později zjistí, že se má provádět jiná varianta, pipeline se vyprázdní (rollback) U složitých procesorů může znamenat částečnou virtualizaci registrového souboru a store bufferů (zápisy do paměti) 45/78
Predikce skoku Statická predikce Predikce nezávisí na historii Bez nápovědy Heuristika určena hardwarem Obvykle se předpokládá, že se skok neprovede Méně často složitější heuristiky (vzdálenost skoku apod.) S nápovědou Pravděpodobnější chování skoku určeno bitem v instrukci 46/78
Predikce skoku (2) Dynamická predikce Predikce na základě historie Branch prediction buffer (history table) Uchovává stav prediktoru pro konkrétní instrukci skoku 1-bitový prediktor (2 stavy) Stav prediktoru odráží poslední provedení instrukce Predikce stejného chování jako v minulosti Problém s cykly: s výjimkou poslední iterace se skáče zpět 2 špatné predikce u jednoduchých cyklů Násobně více při u vnořených cyklů 2-bitový prediktor (4 stavy) Obecné schéma: čítač úspěchu/neúspěchu predikce, střed rozsahu předěl mezi typem predikce Omezuje mispredikce při silné preferenci určitého typu výsledku (platí pro velké množství skoků) 47/78
Branch history table Základní (1-bitový) prediktor Tabulka bitů predikce indexována částí PC Rozšíření Vícebitový prediktor Korelující prediktor Soutěžící prediktor Branch target buffer Podmíněné instrukce Vadí aliasing (různé hodnoty PC se stejnými nižšími bity)? Jak je to s vnořenými cykly? h 2 predikce T or NT T or NT T or NT PC [31:10] [9:2] [1:0] 48/78
2-bitový prediktor skoků 49/78 10 taken 11 taken predict: taken not taken predict: taken taken not taken not taken 01 predict: not taken not taken taken 00 predict: not taken
Zřetězené zpracování a výjimky V pipeline je k instrukcí současně Která instrukce způsobila výjimku? Informace se musí propagovat v pipeline registrech Když nastane více výjimek, kterou obsloužit dříve? Tu, která patří k instrukci dříve v pořadí Obsluha výjimky Důraz na zachování konzistentního stavu procesoru Data z pipeline registrů se nikam nezapisují (registrový soubor a paměť obsahují hodnoty před výskytem výjimky) Před obsluhou nutno vyprázdnit pipeline (rollback) Stejná logika jako při spekulativním provádění skoků 50/78
Prodlužování pipeline Trend: Delší pipeline 486 (5 stupňů), Pentium (7 stupňů), Pentium III (12 stupňů), Pentium 4 (20 31 stupňů), Core (14 stupňů) Důsledky Vyšší taktovací frekvence Zvýšení není lineární, od určité délky způsobuje pokles výkonu Pentium 4 na 1 GHz je pomalejší než Pentium III na 800 MHz Obecně vyšší CPI Vyšší penalizace za špatně predikované skoky Zpoždění u hazardů, které nelze vyřešit bypassem 51/78
Zvyšování počtu pipeline Flynn bottleneck Teoretické omezení skalární pipeline V každém stupni pouze 1 instrukce CPI = IPC = 1 V praxi není možné ji dosáhnout (hazardy) Výnosy z prodlužování pipeline rychle klesají Superskalární (multiple issue) pipeline Dnešní procesory typicky 4 pipeline Využití paralelismu na úrovni instrukcí Nezávislé instrukce se dají vykonávat současně 52/78
Paralelismus na úrovni instrukcí Optimální plánování instrukcí překladačem Nutné i pro skalární pipeline (omezení hazardů) Pro superskalární pipeline složitější Kolik nezávislých proudů instrukcí lze v programu najít? Ideální případ: Kopírování bloku paměti Při rozbalení smyčky dostáváme spoustu nezávislých instrukcí V běžných programech zdaleka ne tolik Alternativa: Simultaneous multithreading (SMT) 53/78
Simultaneous multithreading Zpracování více nezávislých vláken současně Na úrovni superskalární pipeline Kódy nezávislých vláken by na sobě měly být z definice nezávislé, takže využijí vícenásobnou pipeline efektivněji Energeticky efektivnější než implementace více jader Zvětšení registrového souboru a logiky čtení instrukcí Ostatní logika procesoru zůstává prakticky nezměněna Detekovatelná softwarem (logické procesory) Nevýhody: Implicitně sdílené zdroje (cache, přístup do paměti) Intel Hyper-Threading Technology 54/78
Temporal multithreading Úprava principu SMT pro jednu pipeline Pragmaticky: Přepínání vláken na úrovni procesoru Jemné (fine-grained) Přepnutí vlákna s každou instrukcí Niagara (Sun UltraSPARC T1) Hrubé (coarse-grained) K přepnutí dojde tehdy, pokud zpracování aktuální instrukce způsobí zpozdění (pipeline stall, cache miss, page fault) Montecito (Intel Itanium 2) 55/78
56/78 Typická superskalární pipeline Čtení instrukcí Celý blok cache (16, 32 nebo 64 bytů), 4 16 instrukcí Predikce jednoho skoku v každém cyklu Paralelní dekódování instrukcí Detekce závislostí a hazardů Víceportové, vícenásobné registrové pole Více výkonných jednotek Různé ALU, forwarding/bypassing logika mezi nimi Přístup do paměti
Static multiple issue Plánování superskalární pipeline překladačem Issue packet Sada instrukcí, které se mají provést současně Sloty v issue packetu nejsou ortogonální Very Long Instruction Word (VLIW) Explicit Parallel Instruction Computer (EPIC) Výkon silně závisí na překladači Vhodné plánování instrukcí (plnění instrukčních slotů) Některé nebo všechny důsledky datových a řídících hazardů řeší překladač Statická predikce skoků 57/78
Příklad: Multiple issue MIPS 58/78 pořadí provádění instrukcí 1 2 3 4 5 6 7 8 9 ALU / branch load / store ALU / branch load / store ALU / branch load / store ALU / branch load / store ALU / branch load / store čas [cykly]
Příklad: Multiple issue MIPS (2) Změny oproti single issue Načítání 64bitových instrukcí, zarovnání na 8 bytů Nevyužitý slot může obsahovat NOP Registrové pole pro přístup z obou slotů Samostatná sčítačka pro výpočet efektivní adresy Nevýhody Vyšší latence při použití výsledků Registrové operace 1 instrukce, load 2 instrukce Složitější plánování instrukcí překladačem Penalizace v důsledku hazardů jsou dražší 59/78
Příklad: Multiple issue MIPS (3) Jak naplánovat následující kód? Loop: lw addu $t0, 0($s1) $t0, $t0, $s2 # $t0 = prvek pole # přičíst konstantu v $s2 sw addi $t0, 0($s1) $s1, $s1, -4 # uložit výsledek zpět # posun ukazatele v poli bne $s1, $zero, Loop # opakovat pokud $s1!= 0 ALU or branch insn Data transfer insn Clock cycle Loop: lw $t0, 0($s1) 1 addi $s1, $s1, -4 2 addu $t0, $t0, $s2 3 bne $s1, $zero, Loop sw $t0, 4($s1) 4 Výkonnost? 4 takty, 5 instrukcí CPI = 0.8 (místo ideálních 0.5) 60/78
Příklad: Multiple issue MIPS (4) Program po rozbalení 4 iterací cyklu ALU or branch insn Data transfer insn Clock cycle Loop: addi $s1, $s1, -16 lw $t0, 0($s1) 1 Přejmenování registrů (překladačem) lw $t1, 12($s1) 2 addu $t0, $t0, $s2 lw $t2, 8($s1) 3 addu $t1, $t1, $s2 lw $t3, 4($s1) 4 addu $t2, $t2, $s2 sw $t0, 16($s1) 5 addu $t3, $t3, $s2 sw $t1, 12($s1) 6 sw $t2, 8($s1) 7 bne $s1, $zero, Loop sw $t3, 4($s1) 8 nutné k odstranění falešných závislostí vzniklých při rozbalení cyklu místo $t0 překladač použil jiný registr pro každou iteraci 61/78
Příklad: Itanium (IA-64) Hlavní rysy Mnoho registrů 128 general purpose, 128 floating point, 8 branch, 64 condition Registrová okna s podporou přetečení do paměti EPIC instruction bundle Svazek instrukcí vykonávaný současně Pevný formát, explicitní závislosti Stop bit: Indikace, zda následující bundle závisí na aktuálním Podpora spekulace a eliminace větvení Instrukce se provede, ale teprve později se rozhodne, zda její efekt bude trvalý (provede se rollback) 62/78
Příklad: Itanium (IA-64) (2) Další zajímavé vlastnosti Instruction group Skupina instrukcí bez datových závislostí Odděleny instrukcí se stop bitem Kvůli dopředné kompatibilitě (rozšíření počtu pipelines) Struktura instruction bundle 5 bitů template (použité výkonné jednotky) 3 41 bitů instrukce Většina instrukcí může záviset na podmínkovém registru 63/78
Dynamic multiple issue Dynamické plánování instrukcí v pipeline Optimální využití paralelismu, eliminace hazardů a prostojů Zpracování instrukcí mimo pořadí Zachování iluze sekvenčního pořadí Překladač se snaží procesoru plánování usnadnit Spekulativní provádění instrukcí Provedení instrukcí s potenciálně špatnými operandy nebo bez zaručení využití výsledku Mechanismus rollbacku podobně jako při predikci skoků 64/78
Příklad: dynamické plánování instrukcí 65/78
Out-of-order execution Procesor je řízen datovými závislostmi Kolize mezi jmény registrů v instrukcích RAW (Read After Write, true data dependency) Výsledek instrukce je používán jako operand následující WAW (Write After Write, output dependency) Dvě instrukce zapisují do stejného registru (výsledek musí odpovídat pozdější instrukci) WAR (Write After Read, anti-dependency) Zatímco jedna instrukce zpracovává data, další instrukce tato data změní WAW a WAR lze vyřešit přejmenováním registrů Procesor má více fyzických registrů než definuje architektura 66/78
Příklad: Eliminace WAW 67/78 Kód z pohledu procesoru (po přerovnání) move r3, r7 add r3, r4, r5 move r1, r3 Po přejmenování registrů move r3, r7 add fr8, r4, r5 move r1, fr8
Dynamic multiple issue (2) 68/78 In-order issue Instruction fetch Instruction decode Instruction scheduler Reservation station Reservation station Reservation station Reservation station Integer ALU Integer ALU FP ALU Load/Store Commit unit In-order commit
Out-of-order a výjimky Komplikovanější než skalární pipeline Při out-of-order zpracování je těžší definovat místo přerušení výpočtu Instrukce následující po instrukci, která vykonala výjimku, nesmí ovlivnit stav stroje Některé takové instrukce už mohly být vykonány Nesmí existovat nezpracované starší instrukce Všechny výjimky způsobené staršími instrukcemi jsou už vyřízeny Přesné (precise) vs. nepřesné (imprecise) výjimky OOE + register renaming poprvé implementováno v IBM 360/91 (1969), masové nasazení až v 90. letech Důvody: nepřesné výjimky + vyšší efektivita jen pro malou třídu programů 69/78
Spekulativní provádění instrukcí Odhadnutí vlastností/výsledku instrukce Umožňuje zahájení zpracovávání závislých instrukcí Logika pro ošetření nesprávného výsledku Při překladu Speciální kód pro opravu chybných spekulací V procesoru Spekulativní výsledky neovlivňují stav stroje, dokud nejsou potvrzeny Spekulativně provedené instrukce nevyvolávají výjimky nebo vyvolávají speciální výjimky 70/78
Příklad: IA-32 Intel Pentium Pro až Pentium 4 CISC instrukční sada implementována pomocí mikrooperací na post-risc jádře Instrukce rozkládány na mikrooperace Pipeline provádí mikrooperace Superskalární, out-of-order spekulativní provádění instrukcí (včetně predikce skoků a přejmenování registrů) Pentium 4 Trace cache pro urychlení dekódování instrukce 71/78
Příklad: Skylake Zjednodušený pohled na mikroarchitekturu procesorů rodiny Skylake Instrukce dekódovány do mikrooperací (μops) μops vykonánány out-of-order pomocí výkonných jednotech v Execution Engine Reorder Buffer zodpovědný za alokaci registrů, přejmenování registrů a dokončení instrukcí Navíc eliminuje přesuny mezi registry a nulovací idiomy Scheduler forwarduje μops výkonným jednotkám podle dostupnosti dat Zdroj: M. Lipp et al. Meltdown. 72/78
Architektura Core v číslech 73/78 Conroe Nehalem Sandy/Ivy Bridge Haswell (Broadwell) Skylake/ Kabylake Allocation queue (decoded insn queue)? 56 (2x 28) 56 (2x 28) 56 128 (2x 64) Out-of-order window (reorder buffer) 96 128 168 192 224 Scheduler entries (reservation station) 32 36 54 60 (64) 97 Execution ports? 6 6 8 8 Integer register file N/A N/A 160 168 180 FP register file N/A N/A 144 168 168 In-flight loads 32 48 64 72 72 In-flight stores 20 32 36 42 56
Návrh optimální instrukční sady 74/78 Statistika využití instrukcí (IBM 360) Skupina Zastoupení přesuny dat 45,28 % řízení 28,73 % aritmetika 10,75 % porovnávání 5,92 % logické operace 3,91 % posuny, rotace 2,93 % bitové operace 2,05 % I/O a ostatní 0,43 %
75/78 Návrh optimální instrukční sady (2) Další pozorování (IBM 360) 56 % konstant je v rozsahu ±15 (5 bitů) 98 % konstant je v rozsahu ±511 (10 bitů) 95 % podprogramů potřebuje pro předání argumentů méně než 24 bytů Další pozorování (DEC Alpha) Typický program používá 58 % instrukční sady Pro 98 % instrukcí stačí 15 % firmwaru (PAL)
76/78 Návrh optimální instrukční sady (3) Historické priority Rozsáhlé instrukční sady, složité operace Překlenutí sémantické mezery mezi assemblerem a vyšším programovacím jazykem Aktuální priority Malé instrukční sady, jednoduché instrukce Rychlejší provádění instrukcí, snadnější optimalizace (při překladu i při provádění)
Příklad: návrh MIPS ISA pro pipelining Instrukce stejné délky Jednoduché čtení instrukcí fázi IF, následně dekódování ve fázi ID Čtení/dekódování instrukcí proměnné délky výrazně obtížnější. Malé množství formátů, stabilní pozice čísel zdrojových registrů Fáze ID může začíst číst obsah registrů během dekódování instrukce Asymetrický formát instrukcí by vyžadoval rozdělení fáze ID tak, aby se nejdříve instrukce dekódovala a až poté by se četl obsah registrů. Paměťové operandy pouze v instrukcích load a store Během fáze EX je možné počítat adresu pro přístup do paměti ve fázi MA, která následuje po EX Podpora operací nad paměťovými operandy by vyžadovala rozdělení fází EX a MA do fází pro výpočet adresy, přístup do paměti, a vykonání instrukce. Přístup do paměti pouze na zarovnané adresy Operace čtení/zápisu do paměti vyžaduje vždy jen jeden přístup Přesun dat je možné vykonat během jedné fáze pipeline. 77/78
Post-RISC procesory Postupná konvergence CISC a RISC architektur Přidání užitečných složitějších CISCových instrukcí do RISCové instrukcní sady Superskalární zpracování Agresivní přerovnávání instrukcí při zpracování Out-of-order speculative execution Odklon od závislosti na optimalizacích překladače Nové specializované jednotky, větší míra paralelismu 78/78