Mcginn's Blog

CSAPP - cachelab

2020/02/23

题目

Part A. Cache Simuator

要求

valgrind 存储跟踪作为输入,在 csim.c 中实现一个缓存模拟器,结果输出:命中,不命中和驱逐的数量(hit, miss, eviction)。需要支持以下参数输入:

  • -s:用于组索引的位数。
  • -E:每组行数。
  • -b:用于块的位数。
  • -t:保存 valgrind 跟踪记录的文件。

Valgrind 输出格式为:

1
2
3
4
I 0400d7d4,8
M 0421c7f0,4
L 04f6b868,8
S 7ff0005c8,8

每行格式为 [space]operation address,size,L 表示加载数据,S 表示存储数据,M 表示修改数据(加载后存储)。指令 M 的存储必然命中,因此其结果只有两种:2 命中或 1 未命中 1 命中。

size 表示内存访问的字节数。测试数据保证内存访问不会出现跨越缓存块的边界,因此 size 在该实验中可忽略。

在该实验中只关注数据缓存,因此操作 I(表示指令加载)可忽略。

做法

因为只需要输出 (hit, miss, eviction) 三元组,所以实际实现过程中不必要完全复刻 cache 的过程。

对于参数 (s, E, b, t) 输入,使用 getopt 指令即可。

构造二维数组 cache[1 << s][E] 记录(标记,有效位)。因为组索引的位数 s 必然大于 0,所以有效位和标记位可以压入一个 64 位整数中。

在要驱逐缓存行时,使用 LRU 策略,因此还需要构造二维数组 last_used_time[1 << s][E] 记录每个缓存行上次使用时间。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
#include "cachelab.h"
#include <stdio.h>
#include <string.h>
#include <getopt.h>
#include <stdlib.h>
#include <unistd.h>
#include <limits.h>

#define BUFFER_SIZE 50
char buf[BUFFER_SIZE];

int s; // Number of set index bits
int E; // Associativity, number of lines per set
int b; // Number of block bits
char *t; // Name of the valgrind trace to replay

int cache_size;
long long *cache; // format: tag | valid

unsigned time_stamp;
unsigned *last_used_time;

int hit_count;
int miss_count;
int eviction_count;

void memoryAccess(long long addr) {
++time_stamp;

int set_idx = (addr >> b) & ((1 << s) - 1);
long long tag = addr >> (b + s);

long long *set_cache = cache + set_idx * E;
unsigned *set_used_time = last_used_time + set_idx * E;

int i;
unsigned LRU_i = -1;
unsigned LRU_valid;
unsigned LRU_time;
for (i = 0; i < E; ++i) {
unsigned valid = set_cache[i] & 1;
long long tag_i = set_cache[i] >> 1;
if (valid > 0 && tag == tag_i) {
++hit_count;
set_used_time[i] = time_stamp;
return ;
} else {
if (LRU_i == -1
|| valid < LRU_valid
|| (valid == LRU_valid&&
set_used_time[i] < LRU_time)) {
LRU_i = i;
LRU_valid = valid;
LRU_time = set_used_time[i];
}
}
}

++miss_count;
eviction_count += LRU_valid;
set_used_time[LRU_i] = time_stamp;
set_cache[LRU_i] = tag << 1 | 1;
}

int main(int argc, char *argv[]) {
char *optString = "s:E:b:t:";
int opt = getopt(argc, argv, optString);
while (~opt) {
switch (opt) {
case 's': s = atoi(optarg); break;
case 'E': E = atoi(optarg); break;
case 'b': b = atoi(optarg); break;
case 't': t = optarg; break;
}
opt = getopt(argc, argv, optString);
}

time_stamp = 0;
hit_count = miss_count = eviction_count = 0;
cache_size = E << s;
cache = (long long *) malloc(sizeof(*cache) * cache_size);
last_used_time = (unsigned *) malloc(sizeof(*last_used_time) * cache_size);
memset(cache, 0, sizeof(*cache) * cache_size);

FILE *fp = fopen(t, "r");
while (fgets(buf, BUFFER_SIZE, fp) != NULL) {
int len = strlen(buf);
if (len <= 2 || buf[0] != ' ') continue;
char op = buf[1];
if (!(op == 'L' || op == 'S' || op == 'M'))
continue;
int i;
for (i = 0; i < len; ++i)
if (buf[i] == ',') { // replace ',' with '\0'
buf[i] = '\0';
break;
}
buf[1] = '0', buf[2] = 'x';
long long addr;
sscanf(buf + 1, "%llx", &addr);
printf("op = %c, addr = %llx, ", op, addr);
memoryAccess(addr);
if (op == 'M') ++hit_count;
}
printSummary(hit_count, miss_count, eviction_count);

fclose(fp);
return 0;
}

Part B. Optimizing Matrix Transpose

要求

实现函数 void trans(int M, int N, int A[N][M], int B[M][N]) 转置矩阵 A 并存储到矩阵 B 中,限制:

  • 缓存参数为:s = 5, E = 1, b = 5。
  • 最多能够定义 12 个 int 类型的局部变量。
  • 不允许修改矩阵 A,但能任意修改矩阵 B。

做法

b = 5 表示每个块缓存 字节,即每 8 个 int 元素组索引加一,每个缓存行缓存 8 个地址连续的 int 元素。

s = 5 表示高速缓存中有 个组,则组索引的循环节大小为 32×8 = 256,即每 256 个 int 元素组索引开始重复。

利用局部性原理,尝试 8×8 分块转置:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
void transpose_submit(int M, int N, int A[N][M], int B[M][N]) {
#define min(a,b) ((a)<(b)?(a):(b))
#define rep(i,l,r) for(i=(l);i<(r);++i)
#define repd(i,l,r,d) for(i=(l);i<(r);i+=(d))
#define per(i,l,r) for(i=(r)-1;i>=(l);--i)
#define perd(i,l,r,d) for(i=(r)-1;i>=(l);i-=(d))

unsigned x, y, i, j;
repd(x, 0, N, 8)
repd(y, 0, M, 8) {
rep(i, x, min(N, x + 8))
rep(j, y, min(M, y + 8))
B[j][i] = A[i][j];
}
}

使用 make && ./driver.py 测试:

1
2
3
4
5
6
7
Cache Lab summary:
Points Max pts Misses
Csim correctness 27.0 27
Trans perf 32x32 6.9 8 343
Trans perf 64x64 0.0 8 4723
Trans perf 61x67 8.8 10 2118
Total points 42.7 53

在 32×32 和 61×67 效果还行,但是在 64×64 上 miss 很多。

使用以下指令查看具体的内存跟踪记录:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
./test-trans -N 64 -M 64
./csim-ref -v -s 5 -E 1 -b 5 -t ./trace.f0
...
L 30df6c,4 miss eviction
S 34dc78,4 miss eviction
L 30df70,4 hit
S 34dd78,4 miss eviction
L 30df74,4 hit
S 34de78,4 miss eviction
L 30df78,4 hit
S 34df78,4 miss eviction
L 30df7c,4 miss eviction
S 34e078,4 miss eviction
L 30e060,4 miss eviction
S 34d97c,4 miss eviction
L 30e064,4 hit
S 34da7c,4 miss eviction
...

可以看到,每次在加载(L)后的存储(S)指令就会 miss,并驱逐一条缓存。

时,8×8 分块中的组索引分布如下:

前 4 行定义为 ,后 4 行定义为

读取 时,依次存储 。注意到,组 0 每次都加载 A 后,均因为 B 也有相同的组索引 0 而被覆盖掉,从而丢失了 A 的空间局部性。

对于这种情况,可以开辟 8 个 int 的局部变量将 全读入,再更新 。因为循环变量已使用了 ,因此额外的 8 个 int 是限制上限。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
void transpose_submit(int M, int N, int A[N][M], int B[M][N]) {
#define min(a,b) ((a)<(b)?(a):(b))
#define rep(i,l,r) for(i=(l);i<(r);++i)
#define repd(i,l,r,d) for(i=(l);i<(r);i+=(d))
#define per(i,l,r) for(i=(r)-1;i>=(l);--i)
#define perd(i,l,r,d) for(i=(r)-1;i>=(l);i-=(d))

unsigned x, y, i, j;
int a[8];
repd(x, 0, N, 8)
repd(y, 0, M, 8)
rep(i, x, min(N, x + 8)) {
rep(j, y, min(M, y + 8)) a[j - y] = A[i][j];
rep(j, y, min(M, y + 8)) B[j][i] = a[j - y];
}
}

使用 make && ./driver.py 测试:

1
2
3
4
5
6
7
Cache Lab summary:
Points Max pts Misses
Csim correctness 27.0 27
Trans perf 32x32 8.0 8 289
Trans perf 64x64 0.0 8 4613
Trans perf 61x67 10.0 10 1999
Total points 45.0 53

64×64 的 miss 几乎不变,而 32×32 和 61×67 已满分。

目前为止,已经充分利用了 A 的空间局部性,然而对于 B 而言在 64×64 却非如此。

在读取 后,先存储 ,然后存储 ,即后 4 行的缓存覆盖掉了前 4 行的缓存,从而丢失了 B 的空间局部性。

那么解决方法自然而然是先写 B 的前 4 行再写后 4 行。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
void transpose_submit(int M, int N, int A[N][M], int B[M][N]) {
#define min(a,b) ((a)<(b)?(a):(b))
#define rep(i,l,r) for(i=(l);i<(r);++i)
#define repd(i,l,r,d) for(i=(l);i<(r);i+=(d))
#define per(i,l,r) for(i=(r)-1;i>=(l);--i)
#define perd(i,l,r,d) for(i=(r)-1;i>=(l);i-=(d))

unsigned x, y, i, j;
int a[8];
repd(x, 0, N, 8)
repd(y, 0, M, 8) {
rep(i, x, min(N, x + 8)) {
rep(j, y, min(M, y + 4)) a[j - y] = A[i][j];
rep(j, y, min(M, y + 4)) B[j][i] = a[j - y];
}
rep(i, x, min(N, x + 8)) {
rep(j, y + 4, min(M, y + 8)) a[j - y] = A[i][j];
rep(j, y + 4, min(M, y + 8)) B[j][i] = a[j - y];
}
}
}

使用 make && ./driver.py 测试:

1
2
3
4
5
6
7
Cache Lab summary:
Points Max pts Misses
Csim correctness 27.0 27
Trans perf 32x32 7.4 8 321
Trans perf 64x64 4.0 8 1653
Trans perf 61x67 10.0 10 1953
Total points 48.4 53

32×32 的 miss 略微提升,但是 64×64 的 miss 已显著下降(4613→1653)。

进一步的优化需要打印出 64×64 的组索引数值数组(这里本文假设了 的组索引相同,直觉上是冲突最多的,未经过严格证明)。

1
2
3
4
5
6
7
8
9
10
00 00 00 00 00 00 00 00 01 01 01 01 01 01 01 01 02 ...
08 08 08 08 08 08 08 08 09 09 09 09 09 09 09 09 0a ...
10 10 10 10 10 10 10 10 11 11 11 11 11 11 11 11 12 ...
18 18 18 18 18 18 18 18 19 19 19 19 19 19 19 19 1a ...
00 00 00 00 00 00 00 00 01 01 01 01 01 01 01 01 02 ...
08 08 08 08 08 08 08 08 09 09 09 09 09 09 09 09 0a ...
10 10 10 10 10 10 10 10 11 11 11 11 11 11 11 11 12 ...
18 18 18 18 18 18 18 18 19 19 19 19 19 19 19 19 1a ...
00 00 00 00 00 00 00 00 01 01 01 01 01 01 01 01 02 ...
...

观察可以得出以下结论:

  1. 当 8×8 块的左上角坐标不在对角线上时, 的组索引和 的组索引没有交集。
  2. 当 8×8 块的左上角坐标对角线上时,此时冲突最为严重。

针对观察 1 的结论:在读完 A 的前 4 列后,A 的最后 4 行已被缓存而不会被覆盖。然而,在上一实现中,处理后 4 列时又从前 4 行开始读 A,浪费了已缓存的后 4 行。

所以,这里对于处理 A 的后 4 列时,从后往前读 A 的行,充分利用缓存。过程转变如下图所示:

此外,由于每次只读 A 每行的 4 列,实际上用于缓存 A 的局部变量仅需 4 个。但这样的话会浪费上限为 12 的限制。因此,对于额外的 4 个局部变量可缓存 8×8 块第一行的后 4 列。这样充分利用了高速缓存的 8 个 int,从而在处理第一行的后 4 列时不用再从内存读取而避免了 miss 。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
void transpose_submit(int M, int N, int A[N][M], int B[M][N]) {
#define min(a,b) ((a)<(b)?(a):(b))
#define rep(i,l,r) for(i=(l);i<(r);++i)
#define repd(i,l,r,d) for(i=(l);i<(r);i+=(d))
#define per(i,l,r) for(i=(r)-1;i>=(l);--i)
#define perd(i,l,r,d) for(i=(r)-1;i>=(l);i-=(d))

int x, y, i, j, a[8];
repd(x, 0, N, 8)
repd(y, 0, M, 8) {
rep(j, y, min(M, y + 8)) a[j - y] = A[x][j];
rep(j, y, min(M, y + 4)) B[j][x] = a[j - y];
rep(i, x + 1, min(N, x + 8)) {
rep(j, y, min(M, y + 4)) a[j - y] = A[i][j];
rep(j, y, min(M, y + 4)) B[j][i] = a[j - y];
}
per(i, x + 1, min(N, x + 8)) {
rep(j, y + 4, min(M, y + 8)) a[j - y - 4] = A[i][j];
rep(j, y + 4, min(M, y + 8)) B[j][i] = a[j - y - 4];
}
rep(j, y + 4, min(M, y + 8)) B[j][x] = a[j - y];
}
}

使用 make && ./driver.py 测试:

1
2
3
4
5
6
7
Cache Lab summary:
Points Max pts Misses
Csim correctness 27.0 27
Trans perf 32x32 7.8 8 309
Trans perf 64x64 7.3 8 1357
Trans perf 61x67 10.0 10 1940
Total points 52.1 53

剩余优化在于处于对角线的 8×8 分块,其冲突主要在于 A 的缓存组索引和 B 的缓存组索引相同。这里只需要针对这种情况构造一种冲突较少的方案即可。

本文构造的方案为:

  1. 将 A 的前 4 行依次存储到 B 的前 4 行(不转置),此时缓存中均是 。转置 B 前 4 行的两个 4×4 子矩阵。由于缓存的存在,转置子矩阵不会导致任何的 miss。
  2. 同样处理后 4 行。注意,此时缓存的是
  3. 剩下的就是交换 的右子矩阵和 的左子矩阵,利用 8 个局部变量容易做到。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
void transpose_submit(int M, int N, int A[N][M], int B[M][N]) {
#define min(a,b) ((a)<(b)?(a):(b))
#define rep(i,l,r) for(i=(l);i<(r);++i)
#define repd(i,l,r,d) for(i=(l);i<(r);i+=(d))
#define per(i,l,r) for(i=(r)-1;i>=(l);--i)
#define perd(i,l,r,d) for(i=(r)-1;i>=(l);i-=(d))

int x, y, i, j, a[8];
repd(x, 0, N, 8) repd(y, 0, M, 8)
if (x != y || x + 8 > min(N, M) || y + 8 > min(N, M)) {
rep(j, y, min(M, y + 8)) a[j - y] = A[x][j];
rep(j, y, min(M, y + 4)) B[j][x] = a[j - y];

rep(i, x + 1, min(N, x + 8)) {
rep(j, y, min(M, y + 4)) a[j - y] = A[i][j];
rep(j, y, min(M, y + 4)) B[j][i] = a[j - y];
}
y += 4;
per(i, x + 1, min(N, x + 8)) {
rep(j, y, min(M, y + 4)) a[j - y] = A[i][j];
rep(j, y, min(M, y + 4)) B[j][i] = a[j - y];
}
rep(j, y, min(M, y + 4)) B[j][x] = a[4 + j - y];
y -= 4;
} else {
a[0] = x; x = y; y = a[0];
// Upper part
rep(i, 0, 4) {
rep(j, 0, 8) a[j] = A[y + i][x + j];
rep(j, 0, 8) B[x + i][y + j] = a[j];
}
// trans(0, 0)
rep(i, 0, 4) rep(j, i + 1, 4) {
a[0] = B[x + i][y + j];
B[x + i][y + j] = B[x + j][y + i];
B[x + j][y + i] = a[0];
}
// trans(0, 4)
y += 4;
rep(i, 0, 4) rep(j, i + 1, 4) {
a[0] = B[x + i][y + j];
B[x + i][y + j] = B[x + j][y + i];
B[x + j][y + i] = a[0];
}
y -= 4;
// Lower part
rep(i, 4, 8) {
rep(j, 0, 8) a[j] = A[y + i][x + j];
rep(j, 0, 8) B[x + i][y + j] = a[j];
}
// trans(4, 0)
x += 4;
rep(i, 0, 4) rep(j, i + 1, 4) {
a[0] = B[x + i][y + j];
B[x + i][y + j] = B[x + j][y + i];
B[x + j][y + i] = a[0];
}
// trans(4, 4)
y += 4;
rep(i, 0, 4) rep(j, i + 1, 4) {
a[0] = B[x + i][y + j];
B[x + i][y + j] = B[x + j][y + i];
B[x + j][y + i] = a[0];
}
y -= 4;
x -= 4;
// swap Bur, Bdl
rep(i, 0, 4) {
rep(j, 0, 4) a[j] = B[x + 4 + i][y + j];
rep(j, 4, 8) a[j] = B[x + i][y + j];
rep(j, 4, 8) B[x + i][y + j] = a[j - 4];
rep(j, 0, 4) B[x + 4 + i][y + j] = a[j + 4];
}
a[0] = x; x = y; y = a[0];
}
}

使用 make && ./driver.py 测试:

1
2
3
4
5
6
7
Cache Lab summary:
Points Max pts Misses
Csim correctness 27.0 27
Trans perf 32x32 8.0 8 261
Trans perf 64x64 8.0 8 1261
Trans perf 61x67 10.0 10 1966
Total points 53.0 53
CATALOG
  1. 1. 题目
    1. 1.1. Part A. Cache Simuator
      1. 1.1.1. 要求
      2. 1.1.2. 做法
    2. 1.2. Part B. Optimizing Matrix Transpose
      1. 1.2.1. 要求
      2. 1.2.2. 做法