CSAPP Learning#
This document is specially for Chapter 5 of book CSAPP.
Data-Flow Graphs#
通过画数据流图，我们可以分析不同寄存器的数据流动。有这样4类：
- Read-Only
- 只读寄存器，它的值只会被读取不会被更改。
- Write-Only
- 只写寄存器，它的值只会被修改不会被读取。
- Local
- 在循环中不断被修改使用，但前后更改没有必然联系。-> 条件码寄存器
- Loop
- 循环寄存器，又会被write又会被read。
制约CPU工作效率的是Loop这一类，因为它约束了指令运行的先后时序，这是程序优化的重点所在。
简化数据流图，只保留影响制约运行时间的相关操作
这个图里面，我们知道浮点数乘法单次执行的花费时间会更多。
所以它的运行速度被左边 %xmm0 的线路所制约。
但是实际的运行效率，是不如我们分析得到的理论时间数据的，这也说明了理论预测值只是一个下界，实际的影响因素会更加多。
循环展开#
psum1() 方法里面，我们单个 for 循环里做的事情有：
- 从内存中读取
p[i-1]到寄存器 # load - 从内存中读取
a[i]到寄存器 # load - 计算
p[i-1] + a[i]# add - 把结果写进内存中的
p[i] - 执行
i++# add - 判断
i<n? continue : exit
而在 psum2() 方法里面：
- 从内存中读取
p[i-1]到寄存器 # load - 从内存中读取
a[i]到寄存器 # load - 计算
p[i-1] + a[i]得到mid_val# add - 把它写进内存中的
p[i] - 计算
mid_val + a[i+1]# add - 把结果写进内存中的
p[i+1] - 执行
i+=2# add - 判断
i<n-1? continue : exit
它优化了：
- 每次循环算两个数，这样读取的任务量直接减半
- 减少各种杂务开销，比如
for语句的i++迭代与判断是否跳出循环
那我能不能无限摊大饼呢？
- 有上限。 太多了反倒会有让16个寄存器全被占满的可能性，这样的话多余的变量会存放进内存里，从内存存读会造成程序运行效率下降。
重新结合#
对比
我们哪怕只是把
acc = (acc OP data[i]) OP data[i+1];
改成了
acc = acc OP (data[i] OP data[i+1]);
这样一个小的改动，造成了乘法计算上性能的巨大差异。
原因在，我们把 %xmm0 决速路径上所依赖的2步浮点数乘法给砍成了一步。
启发：尽量优化决速路径的执行时长，减少浮点数乘法直接计算。
读与写#
如果读很影响效率，那么写呢？
- 写本身是不影响效率的。 但是如果写之后这个内存位置上还要再被读，那就很影响效率了。
- 这被称为「写/读相关」。
- 并且，内存里面的写/读相关是要根据处理器计算地址的结果来确定的，不如寄存器操作方便。
分支预测#
虽然处理器的分支预测可能会导致一定的算力浪费，但是整体来讲对程序性能影响不大。
Do Not Be Overly Concerned about Predictable Branches.
如果要优化，可以参考第3章讲到的Conditional Move。
优化程序，从随手小事做起#
- 减少函数调用
以前写的
for (i = 0; i < length(a); i++)
...
都写成
int len = length(a);
for (i = 0; i < len; i++)
...
- 消除不必要的内存引用
创建临时变量存储临时结果，最后再把这个临时结果写进内存中
这是因为读取操作比较费时间，也比较容易有依赖性，我们需要减少不必要内存读取
By Tab_1bit0