芯片性能小談—時間并行

眾所周知，評估一顆芯片的好壞，PPA(performance，power，area)是最重要的指標之一。我們往往要從性能，功耗，面積三個維度來評估設(shè)計方案，進行trade-off。在設(shè)計的每個環(huán)節(jié)也會通過各種小技巧盡可能的全方位提升這三個指標。

1

性能的評估——帶寬、吞吐量、時延

在討論如何提高性能之前，得先看看如何評估性能。

從直觀上來說，性能好代表著快。那么如何評估”快”呢？首先芯片根據(jù)應(yīng)用場景分為很多不同的種類，通信類的5G，藍牙，wifi；接口類的USB，以太網(wǎng)，HDMI；計算類的通用CPU，GPU，AI等。在不同的場景下其實都能通過一些統(tǒng)一的指標來衡量：帶寬(bandwidth)，吞吐量(throughput)和時延（latency）。我們所熟悉的CPU性能跑分，從微觀層面來說，實際上評估的無非也是同一段時間內(nèi)系統(tǒng)能正確處理多少段標準的代碼，蘊藏有吞吐量的概念在里面。在計算機網(wǎng)絡(luò)中，這三者的大致概念如下：

● 帶寬： 信道上單位時間內(nèi)能傳輸?shù)淖畲髷?shù)據(jù)量。

****● 吞吐量： 某段時間里，信道上單位時間內(nèi)的有效傳輸?shù)臄?shù)據(jù)量。

****● 時延： 每一次有效傳輸所需要的時間。

這三個概念既可以作為宏觀的計算機網(wǎng)絡(luò)傳輸性能指標，從微觀上來說，也可以作為芯片內(nèi)部數(shù)據(jù)計算，傳輸?shù)男阅苤笜?。比如AXI總線的數(shù)據(jù)傳輸，比如內(nèi)存訪問的數(shù)據(jù)傳輸，甚至是模塊與模塊間的數(shù)據(jù)傳輸。

以AXI總線為例，我們都知道這是一種高帶寬，高性能，低時延的總線，其與同為AMBA總線的AHB和APB的對比如下：

AXI的快，從帶寬，吞吐量以及時延的角度來說，主要得益于以下特性：

● 帶寬：

AXI支持更寬的總線寬度。更寬的總線寬度帶來的好處毋庸置疑，一個周期傳輸?shù)淖畲髷?shù)據(jù)量更大。形象點說就是公路更寬了。

● 吞吐量：

1. 讀寫通道獨立帶來的讀寫并行操作。讀寫通道獨立意味著讀操作和寫操作可以并行。并行的好處自然是同一段時間內(nèi)可以同時進行的讀和寫更多，完成的也更多，從而增加了一段時間內(nèi)的有效數(shù)據(jù)傳輸量，也就是吞吐量。
2. 流水/分裂傳輸。這里的流水/分裂傳輸用AXI文檔里的說法叫outstanding。這是一種時間上的并行。在每筆讀/寫操作還未結(jié)束的時候就發(fā)送下一筆，這樣一來同樣一段時間內(nèi)并行的讀寫操作更多，傳輸數(shù)據(jù)更多，增加了吞吐量。
3. 猝發(fā)傳輸。用于連續(xù)地址的讀寫訪問，一次地址發(fā)送在slave端可以同時訪問多個連續(xù)地址，同一段時間內(nèi)能訪問更多的地址，傳輸更多的數(shù)據(jù)，增加了吞吐量。
4. 亂序訪問。相比于順序訪問，總線上自由度更大。順序是一種約束，放寬了約束自然可以更肆無忌憚的傳輸數(shù)據(jù)。假設(shè)一種場景，傳輸1訪問地址空間A，三個周期讀回數(shù)據(jù)。傳輸2訪問地址空間B，一個周期讀回數(shù)據(jù)。因為順序的約束，先得到數(shù)據(jù)的傳輸2無法返回數(shù)據(jù)，必須等到傳輸1完成，這樣效率就很低。有了亂序的支持，后發(fā)出的操作如果先完成，可以先返回數(shù)據(jù)，這樣一來吞吐量自然就更高。

● 時延：

1. 地址數(shù)據(jù)通道獨立。在AHB協(xié)議中，因為地址數(shù)據(jù)通道共用，一次寫操作需要經(jīng)歷發(fā)送地址->發(fā)送寫數(shù)據(jù)這樣的步驟。而在AXI中，寫數(shù)據(jù)和寫地址可以同時發(fā)送，減小了一次寫操作所需要的時延。
2. 多主從設(shè)備/仲裁機制。與APB只有一個apb master從而導致需要2個cycle才能完成傳輸不同，AXI與AHB都是多主從設(shè)備，可以直接點對點完成傳輸，1個cycle就可以完成傳輸，減小了時延。雖然仲裁機制的引入一定程度上又增加了時延，但基于流水分裂傳輸，性能還是可以得到保證。

從上述AXI的特性以及其對性能帶來的增益我們可以明顯看到，性能的提升手段有很多，但這里面蘊藏的主要思想是類似的：提速與并行。道理很簡單，想要更快，那么在一段時間里就需要做更多的事。

2

性能的提升——提速與并行

提速指的是減小時延(latency)，即減小每次有效輸出的時間。提速的方式可以來自于計算傳輸自身的算法優(yōu)化，硬件升級。比如我們在設(shè)計的時候經(jīng)常會做的去除冗余邏輯，本來1拍能做的事沒必要2拍，這就是一種自身算法優(yōu)化。而更先進的工藝，更小的門電路延遲，也可以減小硬件時延，算作是一種硬件升級。

提速也可以來自于并行。并行又分為空間并行和時間并行。其主要區(qū)別在于空間并行需要更多的物理資源，通過更多的資源同時運作來實現(xiàn)并行。而時間并行則是充分調(diào)度有限的資源，使其在一段時間內(nèi)盡可能少的處于閑置等待狀態(tài)。

舉一個最簡單的例子就是，你開了一個工廠，原計劃在1個禮拜內(nèi)完成一個項目交付，老板突然把要求提高了，讓你三天完成，怎么辦呢？可以有以下幾種處理方式。

1. 請更多的工人，同樣一堆活丟給更多的人去做，這就是空間并行。
2. 減少工人偷懶或者無所事事的時間，充分利用閑暇時間用來干活，同一時刻讓更多的工人處于干活狀態(tài)，這就是時間并行。
3. 每個工人提升工作效率，做一項工作的時間縮短，這樣相同時間就可以做更多工作，這可以類比于硬件上的算法優(yōu)化和先進工藝。

在AXI的例子中，更寬的總線寬度，讀寫通道獨立，地址數(shù)據(jù)獨立屬于空間并行，用更多的總線資源換來速度。流水/分割，猝發(fā)，亂序都是屬于時間并行。而多主從的連接方式則幫助到了傳輸本身的提速。

3

時間并行——隱藏latency

這里主要討論一下時間并行。還是基于AXI，從流水/分裂傳輸開始，也就是耳熟能詳?shù)腛utstanding。

Outstanding的英文含義是未完成的。在AXI協(xié)議中，Outstanding的意思是在一個讀寫操作還沒完成的時候就開始另外一個。

如下圖所示，水平方向表示時間，如果沒有Outstanding，那么總線在同一時刻只會有一個傳輸正在執(zhí)行。兩個傳輸必須要串行完成。這樣完成兩個讀操作總共需要100ns。

但我們通過觀察可以發(fā)現(xiàn)，一個完整的讀操作由Master和Slave共同完成。Master處理地址發(fā)出讀請求，Slave處理請求返回數(shù)據(jù)。如果把Master和Slave看成兩個工人，工人M處理完讀請求操作之后，在等待工人S返回數(shù)據(jù)的20ns里其實是啥事都不做的偷懶狀態(tài)。為了提高效率，讓工人M不偷懶，可以讓他處理完第一筆讀請求操作之后馬上開始準備發(fā)出第二個請求。如下圖所示：

在鞭策了M之后，他發(fā)出第一個讀請求之后，馬上馬不停蹄地開始處理第二個讀請求。于此同時，S并行地處理著之前的第一個讀請求。當M完成了第二個讀請求發(fā)出時，因為S已經(jīng)完成了第一個讀請求的數(shù)據(jù)返回，M可以立馬交付出自己的第二個讀請求，開始第3個讀請求的準備。這樣一來完成兩次讀操作的總時間為80ns，相比第一種情況縮短了20ns。這20ns是S處理第一筆數(shù)據(jù)的時間，也就是latency，它被“隱藏”在M的第二次操作里。

上述的情況中，有一個前提條件是，S端返回讀數(shù)據(jù)的latency要小于M發(fā)出讀請求處理的latency。這樣才能保證M發(fā)出讀請求的時候S能馬上收走。因為在AXI中是握手傳輸，即需要M端valid與S端ready信號同時有效才能進行傳輸。如果S某一次返回讀數(shù)據(jù)的latency大于M端，M在完成了一次讀請求之后需要等待S端的ready信號，從而還是會有閑置狀態(tài)，如下圖所示：

在上圖中，由于在第二次傳輸?shù)臅r候Master等待了10ns，三次讀操作總共用了140ns。

一個解決此問題的辦法是改變M和S的交互方式。假想M發(fā)出請求之后，如果有個地方可以緩存這個請求，M就可以騰出手去做別的事了。這個緩存可以用BUF來做到。如果S特別慢，M發(fā)出好幾個請求S都來不及收，就緩存更多，并滿足先發(fā)的請求先被處理，則可以使用FIFO進行銜接。如下圖所示：

在有了BUF緩存之后，M的第二次操作完成時可以直接進行第三次操作，以此節(jié)省了10ns的等待時間，三次讀操作總共只需要130ns。在AXI里，如果有outstanding設(shè)置，M與S之間都會有buffer來進行此類緩存，保證同時可以有多個數(shù)據(jù)傳輸并行。此時的slave ready信號其實是這些緩存FIFO的非滿信號。

從上面的例子中，我們看到了outstanding的魔力，成功地將latency隱藏起來，從而提升了系統(tǒng)的性能。這里的性能提升點為吞吐量，因為單位時間的有效輸出數(shù)據(jù)增加了。并行之所以重要，是因為在這些例子里的時延latency，即master發(fā)出讀請求和slave返回讀數(shù)據(jù)本身需要的時間，一般來說是比較難降低的。Master發(fā)出讀請求前需要處理計算地址，以及slave返回數(shù)據(jù)時可能有的Memory讀取時間，在設(shè)計沒太大毛病的基礎(chǔ)上，要縮短只能靠工藝的升級，內(nèi)存結(jié)構(gòu)的改變。而要提高系統(tǒng)的吞吐量，只能想辦法將一部分latency隱藏起來。

4

時間并行的瓶頸

以上的一切看起來很好，但如果這樣的并行技術(shù)那么牛逼，照理說我們可以使系統(tǒng)無限快才對。當然這樣的技術(shù)還是有一定的局限性的。它使用的前提是Master端是效率的瓶頸。如果Slave端總是比Master端更慢，那么實際上系統(tǒng)的吞吐量并不能得到增加，看以下兩個例子：

從上面兩圖的對比我們可以看到，雖然Outstanding技術(shù)可以幫助Master以最快速度發(fā)出三個請求，但這三筆讀數(shù)據(jù)最后完成的時間和與不使用該技術(shù)是完全一樣的。這是因為在此例子中Slave端的處理速度才是瓶頸所在。

那么如何解決這個問題呢？其實這個問題一直是計算機系統(tǒng)效率提升的頭號問題，即著名的”Memory Wall”。可以將上圖中的Master看作是CPU計算單元，Slave看作是系統(tǒng)內(nèi)存DRAM Memory。因為訪問系統(tǒng)內(nèi)存的時間本身遠遠大于CPU計算單元本身處理，而 CPU在變得原來越快（多核處理器，superscalar等），DRAM的讀取速度相比之下比較難提高（雖然有DDR，HBM等技術(shù)，但還是要寄希望于DRAM本身的提高），這個差距在越拉越大。

目前在計算機體系中使用的是緩存技術(shù)，用高速的SRAM作為一個“假”的Memory來進行訪問。只在必要的時候訪問DDR。對應(yīng)到上圖中實際上是縮短了藍色色塊Slave返回讀數(shù)據(jù)的時延latency。

5

完美的時間并行——Pipeline

從上面的Outstanding技術(shù)中，我們可以發(fā)現(xiàn)，Master與Slave端自身的Latency對并行的效果會有很大影響。如果Slave端Latency較大，Outstanding無法很好起到提升吞吐量的效果，并且Master需要很多的BUF來儲存自己的數(shù)據(jù)。而如果Master的Latency較大，上述的Outstanding是否效率最高呢？

從上圖中我們可以看到，雖然Master端效率達到了最高，工人M一刻不停歇地處理數(shù)據(jù)，但是Slave在接受處理完Master發(fā)出的第一個請求后，有10ns的空閑時間在等待M的第二個讀請求。因為Master是主動方，Slave在收到Master的請求之前沒法做別的事，要避免Slave白等，只能將Master提速。如果Master的latency也是20ns，那么系統(tǒng)中將沒有任何等待，如下圖所示：

我們知道，如果你遲到了，讓一個人某一次等了一個小時，可能他沒什么感覺，也不會生氣。但如果每天都讓別人等1小時，一個月是30小時，相當于這個人這個月花了一天的時間來等你，他還能沒感覺嗎？

對于系統(tǒng)來說也是一樣的道理。某次傳輸存在等待問題不大，但若每一次傳輸都存在等待，整個系統(tǒng)的效率將大大降低。因此最完美的并行是沒有等待的并行，也就是master發(fā)出請求的時候，slave剛剛處理完上一個請求，準備開始下一個。

以上的討論都基于兩個工作者，M和S。但就像大魚吃小魚一個道理一樣，你是一個人的Slave，也會是其他人的Master，生物鏈是一環(huán)扣一環(huán)的。系統(tǒng)也一樣，有可能是層層往下傳遞的。上述的例子讀操作起始于M，經(jīng)過S，終止于M。如果加上AXI的網(wǎng)絡(luò)（實際情況也不會是直接bypass訪問），Slave1在接收到讀請求之后，只是將其做了預處理，又繼續(xù)往下發(fā)放到Slave2, Slave3, 直到真正的Memory Slave，如下圖所示：

上圖是一種理想狀態(tài)，每一對M與S都不存在等待問題，這在現(xiàn)實中很難做到，因為不同的功能塊時延Latency很難做到一致。但還是先來看看這種理想狀態(tài)。

因為級數(shù)增多了，總的效率提升更為顯著。并且隨著傳遞深度的提升，Latency的隱藏更為顯著。整段時間內(nèi)最多有4個任務(wù)在并行，并且這四個任務(wù)的Latency相等，有多達3段latency被完美隱藏！

這么完美的并行技術(shù)，無法天然形成，但不利用豈不可惜！我想大家都已經(jīng)知道了，這就是經(jīng)典的Pipeline技術(shù)。我們會將一些時延較長的電路手動分割成幾個部分，每個部分之間有寄存器鏈接，這樣一來雖然每個部分的時延latency不同，都會在一個時鐘周期的時候同時更新：Master在時鐘上升沿傳遞數(shù)據(jù)，Slave在時鐘上升沿完成上一數(shù)據(jù)處理。Pipeline技術(shù)大大提高了系統(tǒng)的吞吐量，深度越深，提升越顯著。

理論上來說，任何的電路都可以使用Pipeline技術(shù)，但最經(jīng)典的應(yīng)用莫過于CPU流水線處理器。下圖是經(jīng)典的MIPS 5級Pipeline處理器流程：

指令的生命周期分別有5個階段: Fetch讀取指令，Decode指令解碼，Execute指令執(zhí)行，Memory內(nèi)存訪問，以及Write Back指令回寫寄存器。最后一步結(jié)束后一條指令即完成執(zhí)行。從上圖可以看出，在不考慮數(shù)據(jù)依賴關(guān)系的理想狀態(tài)下，有了Pipeline并行技術(shù)的加持，在從第5個周期開始，每個周期都可以完成一條指令，大大提高了吞吐量！

6

小結(jié)

今天介紹的并行技術(shù)其實只是拋磚引玉，也只是設(shè)計中并行思想的冰山一角。這種思想可以是outstanding，可以是pipeline，其實還可以是很多很多其他的技術(shù)細節(jié)。希望大家能應(yīng)用到平時的設(shè)計中，多想想那些地方是存在等待的，那些地方就是效率提升點。