为什么在循环具有 240 个或更多元素的数组时会对性能产生很大影响？

问题描述

：低于 240，LLVM 完全展开内部循环，这让它注意到它可以优化重复循环，打破你的基准。

---

。阈值为 8 字节 * 240 = 1920 字节（您的数组是usizes 的数组，因此长度乘以 8 字节，假设 x86-64 cpu）。在这个基准测试中，一个特定的优化——仅针对长度 239 执行——造成了巨大的速度差异。但是让我们慢慢开始：

（此答案中的所有代码均使用 编译-C opt-level=3）

pub fn foo() -> usize {
    let arr = [0; 240];
    let mut s = 0;
    for i in 0..arr.len() {
        s += arr[i];
    }
    s
}

这个简单的代码将大致生成人们期望的程序集：一个循环添加元素。但是，如果您更改240为239，则发出的程序集会有很大不同。在 Godbolt Compiler Explorer 上查看。这是程序集的一小部分：

movdqa  xmm1, xmmword ptr [rsp + 32]
movdqa  xmm0, xmmword ptr [rsp + 48]
paddq   xmm1, xmmword ptr [rsp]
paddq   xmm0, xmmword ptr [rsp + 16]
paddq   xmm1, xmmword ptr [rsp + 64]
; more stuff omitted here ...
paddq   xmm0, xmmword ptr [rsp + 1840]
paddq   xmm1, xmmword ptr [rsp + 1856]
paddq   xmm0, xmmword ptr [rsp + 1872]
paddq   xmm0, xmm1
pshufd  xmm1, xmm0, 78
paddq   xmm1, xmm0

这就是所谓的 循环展开 ：LLVM 将循环体粘贴一段时间以避免必须执行所有那些“循环管理指令”，即递增循环变量，检查循环是否已经结束并跳转到循环的开头.

如果您想知道：paddq和类似的指令是 SIMD 指令，它允许并行汇总多个值。而且，两个16字节的SIMD寄存器（xmm0和xmm1）是并行使用的，这样cpu的指令级并行性基本上可以同时执行其中两条指令。毕竟，它们是相互独立的。最后，将两个寄存器相加，然后水平相加得出标量结果。

现代主流 x86 cpu（不是低功耗 Atom）在进入 L1d 缓存时确实可以在每个时钟执行 2 个向量加载，并且paddq吞吐量也至少为每个时钟 2 个，在大多数 cpu 上具有 1 个周期延迟。请参阅https://agner.org/optimize/以及关于多个累加器的问答，以隐藏延迟（对于点积的 FP FMA）和吞吐量瓶颈。

LLVM在未 完全展开时会展开 一些 小循环，并且仍然使用多个累加器。所以通常情况下，即使没有完全展开，前端带宽和后端延迟瓶颈对于 LLVM 生成的循环来说也不是什么大问题。 __

---

至少不要单独循环展开。让我们看一下实际的基准测试代码，它将一个循环放入另一个循环中：

const CAPACITY: usize = 239;
const IN_LOOPS: usize = 500000;

pub fn foo() -> usize {
    let mut arr = [0; CAPACITY];
    for i in 0..CAPACITY {
        arr[i] = i;
    }

    let mut sum = 0;
    for _ in 0..IN_LOOPS {
        let mut s = 0;
        for i in 0..arr.len() {
            s += arr[i];
        }
        sum += s;
    }

    sum
}

（在 Godbolt 编译器资源管理器上）

for 的程序集CAPACITY = 240看起来很正常：两个嵌套循环。（在函数的开头有相当多的代码只是用于初始化，我们将忽略它们。）然而，对于 239，它看起来非常不同！我们看到初始化循环和内部循环展开了：到目前为止是预期的。

结果，LLVM 发出的代码基本上首先只执行内部循环（计算总和），然后通过加起来sum一堆时间来模拟外部循环！

首先，我们看到与上面几乎相同的组件（代表内循环的组件）。之后我们看到了这个（我评论解释程序集；评论*特别重要）：

        ; at the start of the function, `rbx` was set to 0

        movq    rax, xmm1     ; result of SIMD summing up stored in `rax`
        add     rax, 711      ; add up missing terms from loop unrolling
        mov     ecx, 500000   ; * init loop variable outer loop
.LBB0_1:
        add     rbx, rax      ; * rbx += rax
        add     rcx, -1       ; * decrement loop variable
        jne     .LBB0_1       ; * if loop variable != 0 jump to LBB0_1
        mov     rax, rbx      ; move rbx (the sum) back to rax
        ; two unimportant instructions omitted
        ret                   ; the return value is stored in `rax`

正如您在此处看到的那样，内部循环的结果被采用，与外部循环运行然后返回的频率相加。LLVM 只能执行这种优化，因为它理解内部循环独立于外部循环。

。这是造成巨大性能差异的原因。

---

附加说明：你能对此做些什么吗？并不真地。LLVM 必须具有如此神奇的阈值，因为如果没有它们，LLVM 优化可能需要很长时间才能在某些代码上完成。但我们也可以同意这段代码是高度人为的。在实践中，我怀疑会发生如此巨大的差异。在这些情况下，由于完全循环展开导致的差异通常甚至不是因素 2。因此无需担心实际用例。

作为关于惯用 Rust 代码的最后一点：arr.iter().sum()是总结数组所有元素的更好方法。在第二个示例中更改这一点不会导致发出的程序集有任何显着差异。除非您测量到它会损害性能，否则您应该使用简短且惯用的版本。

解决方法

在 Rust 中对数组运行求和循环时，我注意到CAPACITY>= 240时性能会大幅下降。 CAPACITY= 239 大约快 80 倍。

Rust 是否对“短”数组进行了特殊的编译优化？

编译rustc -C opt-level=3。

use std::time::Instant;

const CAPACITY: usize = 240;
const IN_LOOPS: usize = 500000;

fn main() {
    let mut arr = [0; CAPACITY];
    for i in 0..CAPACITY {
        arr[i] = i;
    }
    let mut sum = 0;
    let now = Instant::now();
    for _ in 0..IN_LOOPS {
        let mut s = 0;
        for i in 0..arr.len() {
            s += arr[i];
        }
        sum += s;
    }
    println!("sum:{} time:{:?}",sum,now.elapsed());
}