x86_64 和 ARM64 - 编程之家

如何解决x86_64 和 ARM64

我创建了一个简单的演示来说明未对齐的内存存储/加载在 x86_64 和 ARM64 架构上通常不是原子的。这个演示包含一个 C++ 程序，它创建了两个线程——第一个十亿次调用一个名为 store 的函数，第二个调用一个名为 load 的函数。该程序的源代码在这里：

#include <cstdint>
#include <cstdlib>
#include <iostream>
#include <thread>

extern "C" void store(void*);
extern "C" uint16_t load(void*);

alignas(64) char buf[65];
char* ptr;

static long n = 1'000'000'000L;

void f1()
{
  for (long i = 0; i < n; i++)
    store(ptr);
}

void f2()
{
  long v0x0000 = 0;
  long v0x0101 = 0;
  long v0x0100 = 0;
  long v0x0001 = 0;
  long other = 0;

  for (long i = 0; i < n; i++)
  {
    uint16_t a = load(ptr);

    if (a == 0x0000) v0x0000++;
    else if (a == 0x0101) v0x0101++;
    else if (a == 0x0100) v0x0100++;
    else if (a == 0x0001) v0x0001++;
    else other++;
  }

  std::cout << "0x0000: " << v0x0000 << std::endl;
  std::cout << "0x0101: " << v0x0101 << std::endl;
  std::cout << "0x0100: " << v0x0100 << std::endl;
  std::cout << "0x0001: " << v0x0001 << std::endl;
  std::cout << "other: " << other << std::endl;
}

int main(int arc,char* argv[])
{
  int offset = std::atoi(argv[1]);
  ptr = buf + offset;

  std::thread t1(f1);
  std::thread t2(f2);

  t1.join();
  t2.join();
}

store 和 load 函数在程序集源文件中分别定义。对于 x86_64 如下：

    .intel_Syntax noprefix 

    .global store
    .global load

    .text

store:
    mov eax,0
    mov WORD PTR [rdi],ax
    mov eax,0x0101
    mov WORD PTR [rdi],ax
    ret

load:
    movzx eax,WORD PTR [rdi]
    ret

并且，对于 ARM64 如下：

    .global store
    .global load

    .text

store:
    mov w1,0x0000
    strh w1,[x0]
    mov w1,0x0101
    strh w1,[x0]
    ret

load:
    ldrh w0,[x0]
    ret

当我运行程序时，一切都按预期进行。当我传递偏移量 0 时，存储/加载对齐，并且在读取线程中仅观察到值 0x0000 和 0x0101。当我传递偏移量 63 时，存储/加载未对齐并跨越缓存线边界，并且还观察到值 0x0100 和 0x0001。这适用于两种架构。

但是，我注意到这些测试运行的执行时间存在很大差异。我观察到的一些典型时间：

x86_64 + 偏移量 0（对齐）：6.9 [s]
x86_64 + 偏移量 63（未对齐）：28.3 [s]
ARM64 + 偏移量 0（对齐）：6.8 [s]
ARM64 + 偏移 63（未对齐）：9.2 [s]

在 x86_64 上，当未对齐情况下涉及两个缓存行时，运行时间会慢几倍。但是在 ARM64 上，运行时只是稍微慢了些。 我想知道这两种架构之间的这种行为有何不同。（我不太熟悉缓存一致性机制。）

用于实验的特定处理器是 Intel Xeon E5-2680 v3 和 Cortex-A72。前者在双套接字服务器中，但我将两个线程限制为仅一个套接字（通过 taskset 或 numactl）。后者在 RaspBerry Pi 4 设备中。两个系统都运行 Linux，而且我使用 GCC 进行构建。