为什么在 ARM 上预取更多数据时会发生更多缓存未命中？ 循环 1：循环 2：

如何解决为什么在 ARM 上预取更多数据时会发生更多缓存未命中？ 循环 1：循环 2：

我正在使用 OProfile 在 raspBerry pi 3B+ 上分析以下函数。 （我在 raspBerry 上使用 gcc 10.2 版（不进行交叉编译）和以下编译器标志：-O1 -mfpu-neon -mneon-for-64bits。生成的汇编代码包含在最后。）

void do_stuff_u32(const uint32_t* a,const uint32_t* b,uint32_t* c,size_t array_size)
{
  for (int i = 0; i < array_size; i++)
  {

    uint32_t tmp1 = b[i];
    uint32_t tmp2 = a[i];
    c[i] = tmp1 * tmp2;
  }
}

我正在查看 L1D_CACHE_REFILL 和 PREFETCH_LINEFILL 这两个 cpu 事件。查看doc，PREFETCH_LINEFILL 计算由于预取导致的缓存线填充次数，L1D_CACHE_REFILL 计算由于缓存未命中而导致的缓存线重新填充次数。我得到了上述循环的以下结果：

array_size	array_size / L1D_CACHE_REFILL	array_size / PREFETCH_LINEFILL
16777216	18.24	8.366

我认为上面的循环是内存限制的，值 8.366 以某种方式证实了这一点：每个循环实例需要 3 x uint32_t，即 12B。 8.366 个循环实例需要大约 100B 的内存数据。但是预取器每 8.366 个循环实例只能将 1 个缓存线填充到 L1，根据 Cortex-A53 的手册，它有 64B。因此，其余的缓存访问将导致缓存未命中，即 18.24。如果将这两个数字结合起来，您会得到 ~5.7，这意味着每 5.7 个循环实例从预取或缓存未命中重新填充中填充 1 个缓存行。而 5.7 个循环实例需要 5.7 x 3 x 4 = 68B，或多或少与缓存行大小一致。

然后我在循环中添加了更多的东西，然后变成了以下内容：

void do_more_stuff_u32(const uint32_t* a,size_t array_size)
{
  for (int i = 0; i < array_size; i++)
  {

    uint32_t tmp1 = b[i];
    uint32_t tmp2 = a[i];
    tmp1 = tmp1 * 17;
    tmp1 = tmp1 + 59;
    tmp1 = tmp1 /2;
    tmp2 = tmp2 *27;
    tmp2 = tmp2 + 41;
    tmp2 = tmp2 /11;
    tmp2 = tmp2 + tmp2;
    c[i] = tmp1 * tmp2;
  }
}

cpu 事件的分析数据是我不明白的：

array_size	array_size / L1D_CACHE_REFILL	array_size / PREFETCH_LINEFILL
16777216	11.24	7.034

由于循环需要更长的时间来执行，预取器现在只需要 7.034 个循环实例来填充 1 个缓存行。但我不明白的是为什么缓存丢失也更频繁地发生，与之前的 18.24 相比，由数字 11.24 反映？有人可以解释一下如何将所有这些组合在一起吗？

---

更新以包含生成的程序集

循环 1：

    cbz x3,.L178
    lsl x6,x3,2
    mov x3,0
.L180:
    ldr w4,[x1,x3]
    ldr w5,[x0,x3]
    mul w4,w4,w5
    lsl w4,1
    str w4,[x2,x3]
    add x3,4
    cmp x3,x6
    bne .L180
.L178:

循环 2：

    cbz x3,2
    mov x5,0
    mov w8,27
    mov w7,35747
    movk    w7,0xba2e,lsl 16
.L180:
    ldr w3,x5]
    ldr w4,x5]
    add w3,w3,lsl 4
    add w3,59
    mul w4,w8
    add w4,41
    lsr w3,1
    umull   x4,w7
    lsr x4,x4,35
    mul w3,w4
    lsl w3,1
    str w3,x5]
    add x5,x5,4
    cmp x5,x6
    bne .L180
.L178:

解决方法

我将尝试根据与@artlessnoise 的更多测量和讨论来回答我自己的问题。

我进一步测量了上述 2 个循环的 READ_ALLOC_ENTER 事件并得到以下数据：

循环 1

数组大小	READ_ALLOC_ENTER
16777216	12494

循环 2

数组大小	READ_ALLOC_ENTER
16777216	1933

很明显，小循环（第 1 个）进入 Read Allocate Mode 的次数比大循环（第 2 个）多得多，这可能是因为 CPU 能够更容易地检测到连续写入模式。在读取分配模式下，存储直接进入 L2（如果 L1 中没有命中）。这就是为什么第一个循环的 L1D_CACHE_REFILL 较少的原因，因为它涉及的 L1 较少。对于第二个循环，由于它需要涉及 L1 比第一个更频繁地更新 c[]，因此由于缓存未命中而重新填充可能更多。此外，对于第二种情况，由于 c[] 的 L1 经常被更多的缓存行占用，它会影响 a[] 和 b[] 的缓存命中率，因此更多的 L1D_CACHE_REFILL。