share memory的bank conflict分析

背景

在做高性能分析的时候，经常会出现一个什么bank conflict的名词，不仅是GPU的share memory会出现bank confict, 甚至连寄存器也会出现bank conflict, 那么这个是什么东西，下面进行一个系统的梳理。

硬件

从事计算机行业的同学肯定见过这个东西，没错这个玩意就是内存条，上面的小黑块就是内存颗粒，每一片称之为chip. 有兴趣的可以拆开自己的电脑看一下，这个chip大约有1mm左右的厚度，我们知道现在的半导体工艺一般都是纳米级别，所以这1mm后的内存，其实是由很多薄片累加一起的，每一个薄片叫做一个bank.图示如下：

接下来，每一个矩形bank可以继续拆成一个个二维的小方格，每次从一个bank取数和存数的话只有通过一根线（现在很多内存开了两个端口，分别做存数和取数），如果两个数据分布在不同的bank上（bank序列挨得近），那么一把就可以取出两个数据，如果两个数据在一个bank上，那么耗时就是2倍，因为只能串行拿出，也就是我们说的bank conflict，具体示意图如下，好了，硬件理解到这个程度已经可以了，下面来分析分析cuda中的share memory。

share_memory

share memory相比较device memory而言，share memory是在GPU芯片上的，而device memory是通过总线链接到GPU芯片上的，所以性能的高低一目了然，为此我们尽量要使用好share memory。share memory 有32个bank, 可以自己脑补上面图示的bank, 每一个小格子里面放4字节(也可以自己设置为8)大小的数据(int ,float),）被划分到32个bank中，每个bank的内存能同时读写(有两个port)，但是同一个bank的不同地址的数据则只能串行读写, 如果不容线程访问一个bank的一个地址也没问题，根据上面图示可以看到可以把一个数据放到不同的buffer里。例如__shared__ float data[32][32]，申请了1024个float数据，每个float正好是4字节，data按行存储，data[0][0]就位于第0个bank，data[0][1]位于第一个bank，以此类推.因此data[0][col]就被划分在了第col个bank中，即列数相同（data[0][1]和data[5][1]）的数据划分至了同一个bank中(自己脑补上面bank位置).如果一个warp的线程按列处理data那么就会造成bank conflict.

测试

#define WARPSIZE 32
//conflict
__global__ void kernel1(float* A) {
    
    __shared__ float data[32][32];
    int tid = threadIdx.x;
    int col = tid/WARPSIZE;
    int row = tid%WARPSIZE;//为了测试同一个warp的memory bank conflict, 这里连续的线程要处理不同行，但是同一列的数据。
    data[row][col] = 1.f;
    A[tid] = data[row][col];
}
//noconflict
__global__ void kernel2(float* A) {
    
    __shared__ float data[32][32];
    int tid = threadIdx.x;
    int row = tid/WARPSIZE;
    int col = tid%WARPSIZE;
    data[row][col] = 1.f;
    A[tid] = data[row][col];
}

整体测试代码：

#include<stdio.h>
#include<time.h>
#define WARPSIZE 32
__global__ void kernel1(float* A) {
    
    __shared__ float data[32][32];
    int tid = threadIdx.x;
    int col = tid/WARPSIZE;
    int row = tid%WARPSIZE;
    data[row][col] = 100.f;
    A[tid] = data[row][col];
}


__global__ void kernel2(float* A) {
    
    __shared__ float data[32][32];
    int tid = threadIdx.x;
    int row = tid/WARPSIZE;
    int col = tid%WARPSIZE;
    data[row][col] = 100.f;
    A[tid] = data[row][col];
}

int main() {
    
    int blocksize = 32*32;
    float* h_A = (float*)malloc(sizeof(float)*blocksize);
    float* d_A;
    cudaMalloc(&d_A, sizeof(float)*blocksize);
 
    kernel1<<<1, blocksize>>>(d_A);
    cudaDeviceSynchronize();
    cudaMemcpy(h_A, d_A, blocksize*sizeof(float), cudaMemcpyDeviceToHost);

    kernel2<<<1, blocksize>>>(d_A);
    cudaDeviceSynchronize();
    cudaMemcpy(h_A, d_A, blocksize*sizeof(float), cudaMemcpyDeviceToHost);    

    cudaFree(d_A);
    free(h_A);
    return 0;
}

编译：

nvcc -O3 bankconflict.cu -o bankconflict

分析

利用下面命令分析耗时：

nvprof ./bankconflict

利用下面代码分析冲突事件：

nvprof --events shared_ld_bank_conflict,shared_st_bank_conflict ./bankconflict

可以得到下面的结果：

可以看到存数据(shared_st_bank_conflict=store bank conflict)的时候，会有992=31*32个冲突，因为每一个warp中的线程第一个线程是没有冲突的，所以是31*32，和预期的一模一样。不过这里有一个问题，kernel1最后执行了A[tid] = data[row][col]，按道理来说应该也存在load bank conflict.但是为什么使用nvprof显示的结果却没有呢？
原因是我们编译的时候使用了-O3编译优化，编译器优化了我们的程序，减少了bank conflict的次数.可以通过禁止编译优化来观察结果，重新编译.
nvcc -g -G bankconflict.cu -o bankconflict
测试：
nvprof --events shared_ld_bank_conflict,shared_st_bank_conflict ./bankconflict

参考：https://www.cnblogs.com/deepllz/p/11490544.html