最近阅读了一些关于CPU的资料，自感收获颇丰。本文算是读后感，整理出来和大家分享。
CPU Pipeline
严格讲我不是CS专业，不清楚CS本科是否需要学习CPU架构。或者说，在这个软件高度集成的时代，软件工程师有必要掌握这些细节吗？我的答案是：学以致用的角度，不需要；如果你专注于性能优化，则有借鉴意义。
上图是一段简单的汇编以及个人注释，主要看气质。第一，所有的代码编译为汇编指令（Instruction），然后通过CPU执行，比如cmp(对比)，add(加法)，mulsd(浮点乘法)等。第二，在这个过程中，通过对应的寄存器，比如eax，xmm，将变量传递给CPU，寄存器有不同的类型，数目有限，通过mov指令，填补指令间的裂缝。
编译成汇编码后，运行阶段CPU会“逐条”（未必）执行每一条指令并返回结果，不同指令需要消耗不同的cycles，这个过程称之为Latency。下图是AMD K7中MOV指令对应的消耗：
CPU需要四个阶段来翻译每一条指令：
- Fetch
从内存中获取该指令 - Decode
解码 - Execute
执行指令 - Writeback
将结果写回
上图是执行一条指令的完整过程，CPI（Cycles Per Instruction） = 4。实际上，CPU也是流水线作业，同一时间执行多个指令。当这条指令将要进入execute阶段时，下一条指令也准备进入decode阶段，再下一条也开始fetch阶段，这样，单个指令花费的时间不变，但总体看，CPI = 1，性能提升了4倍，如下图所示：
人性是贪婪的，在这个基础上又不断优化，就是下面要介绍的Superpipelining & Superscalar。
不同指令的复杂度是不同的，但瓶颈总是那个最慢的指令。打个比方，马路上都是小汽车，路况流畅，突然来了一大卡，则容易阻滞。Superpipelining的思路是：以Logic gate（逻辑运算的基本组件）为最小单位，将复杂指令（大卡）拆分。结果是，CPU流水线变长（Deeper Pipeline），拆分后的指令可以达到CPI=1，且每秒能运行更多的Cycles。
Intel Pentium 4采用这种技术，将流水线扩展到31个stages，主频高达5k MHz。但在实际应用中，性能并没有太多提升，而Athlon XP和Motorola G4的性能反而更佳，因此Intel缩小到20 stages。这可以归咎于理论和现实的差距，首先，流水线变深是一种面向未来的设计方案，短时间内很难提升CPU的主频，因此性能提升有限；其次，流水线过长，会增大指令间的依赖关系，导致预判准确率下降（下面会提到）。
这样，流水线的Execute阶段实际上是功能单元的集合，各单元只负责自己的业务。这时自然会想到，是否可以并行执行指令，进而显著提升性能。但要做到这点，就要提高fetch和decode的能力，才能提供足够多的执行任务（execution resources）。实际上，Pentium 4和Athlon XP可以每个周期解码2.5个指令。而这种提供多个流水线的方式，就是superscalar。如下图，CPI = 1/3。
同样，这种策略也会有一些实际问题，比如内存存取数据性能的不足，无法获取足够多的数据，造成浪费，并行逻辑的复杂度，也容易造成预判准确率降低。
实际上还有一种VLIW(very long instruction word)，如上所示，而实际中是对这几种策略的融合。
Dependencies& Prediction
按照上面的思路，扩展多条流水线，增加每条流水线的深度，不就可以提升性能吗？但实际应用则是另一个层面了。我们看下面这段代码：
a = b * c;
d = a + 1;
很简单的两行代码，第二行指令依赖第一行指令的结果。因此，处理器会挂起第二行指令，直到变量a的结果可用。这么宝贵的时间，白白浪费多么可惜，于是CPU决定调整程序的运行顺序，在挂起时找到其他合适指令来填补这些流水线bubbles。在技术上分为static（编译器）和dynamic（处理器）两种形式。
程序员应该了解编译器常见的优化选项，这个好处是编译阶段，可以提供足够多的资源和时间，编译器可以针对整段代码认真分析。但这种方案不可能做到准确的预测未来。
另外一种则是运行时的优化策略，称为OOO（out of order execution）。要做到运行时的乱序，要有能力记录指令间的依赖关系。为了简化变量间的依赖关系，一个有效的办法就是对变量重命名（Register Renaming）。这样，指令间的变量都对应独立的寄存器，进而实现并行化。这种策略的好处是动态的，同样的程序，不需重编译，自动新CPU的性能提升，但提高的CPU的逻辑复杂度。
我们再看另一种逻辑判断：
if(a>0){
...
}else{
...
}
在这，有两个branch，我们无法预知应该执行哪一个，但为了保证流水线的效率，CPU决定提前猜一个branch，猜对了就继续，猜错了就要flush，之前的准备白费。所以，问题的关键就是提高预测的准确度。
同样，这种预测分为static编译器和dynamic运行时两类。比如if逻辑则预判进入第一个分支forward，而while则预判是返回到循环体backward，但这种static预测通常只对循环较为有效。另一种则是运行时策略，比如记录上一次执行的分支，或者引用计数，作为预判的依据等，因此，需要占据一点芯片资源，随着流水线深度的加大，mispredict的可能性也加大。据统计，Pentium Pro/II/III中，30%的性能都浪费在预测失败上。因此，现代处理器分配更多的硬件资源来进行分支预测，比如不同分支间的关联，历史记录，多分支预测等，但即便如此，准确度只能达到95%。
另一种方案是提供条件判断指令（predicated instruction），在此就不介绍了。
Parallelism
讲到这，就是我自认为最有意思的讨论，提升CPU性能有两个思路，提高计算能力，让它能搬更多的砖，或者让它变得更聪明，提高效率。
我们不妨看看Intel的发展历程。早期因为CISC指令过于复杂，只能让CPU更聪明，后来，出于和AMD的竞争的需要，则专注于计算速度。同时，在IA-64上进行了大量编译器优化策略。面对IA-64的失败，Pentium 4过于追求速度带来的能耗，发热问题，以及AMD在低主频下良好的性能，Intel又重拾智慧路线。另外，在这个过程中，Intel在运行时期间对X86的指令进行简化，分解为RISC风格的微指令，称为μops。
可见，大家都属于局部激进，整体中庸的发展模式。因为大家心里都明白，在理论上，每一种方式都有一堵无法逾越的墙。
- Thepower wall
目前，运算速度提升30%，则需要两倍的电压和发热，并且这种设计思路无法满足移动设备，也不可能长久 - TheIPL wall
目前多数应用并没有很好的并行化设计（指令级别） - Thememory wall
内存和CPU在性能上的差距拉大，供不应求，后面会提到。
老一点的程序员应该都读过一篇文章《The Free Lunch Is Over》，不妨重读一下，里面有一句话“Chipdesigners are under so much pressure to deliver ever-faster CPUs that they’llrisk changing the meaning of your program, and possibly break it, in order tomake it run faster”。或者可以说，工程师在这三面墙上取得了巨大的进展，软件不做任何改进就可以等到性能的提升，但现在接近临界点了。面对窘境，Intel率先在Pentium 4支持SMT（Simultaneous multi-threading）技术，开启了多线程，多核方面的尝试。
事情的发展并非一帆风顺，多线程的价值是建立在一种假设之上：当前有很多应用程序在运行，或者一个程序内，有很多线程同时运行。然后，并不是所有场景都能符合如上的假设，比如数据库，三维图形渲染或科学运算，对并行运算有较高的要求，能很好的发挥多线程的优势（其实，也受限于带宽），但其他应用，比如浏览器，并不需要多线程或没有多线程的设计，则无法体现其价值。同时，因为是在一个Core中模拟多线程，线程切换的状态管理也是一种成本，因此，早期的SMT表现很诡异，性能跟具体程序有强连接。有时候，仿佛是两个高效的Core，有时候，就好比两个慵懒的Core，有时候，还不如一个Core实在。SMT在P4的速度的提升在-10%到30%之间，差强人意。在不断的探索后，目前Intel的Core i系列的设计方式是2^n个Cores每个Core支持两线程。在这个过程中，我们意识到，不同的应用程序，对多核和多线程的依赖程度是不一样的，因此，可以针对不同的应用场景，推出适合的CPU方案。
这样就有一个权衡：典型的SMT设计，要支持Superscalar，支持OOO，设计复杂度的提高，自然会占用更多的空间，因此，一个聪明的Core所占用的空间，可以装得下6个简单的Core（领导曾对我说：一个老员工的工资可以招三个应届生）。如上图，同样10亿个晶体管，左侧是Intel酷睿4核，共8个线程，后者是Sun的UltraSPARC，16核共128个线程。索尼PS3主机在设计上大胆创新，一个聪明的Core配N个简单的Cores，但产生很多兼容问题；再比如针对移动环境低能耗，便携和低性能，实现了CPU，GPU，网卡，IO等一体化的芯片设计。
经历了Instruction，Thread并行化后，还有Data并行化的方式，这也是本次我的一大收获：SIMD（single instruction, multiple data），也称为向量化处理。
对于C++程序员，不妨了解一下，目前Intel和Github上都有一些资料和开源库，可以学习参考，如果精力允许，不妨测试一下性能提升是否显著，特别是结合OpenMP等多线程机制，可以考虑对部分函数进行vectorization改造。
Memory Cache
上面基本上涵盖了CPU的主要知识点，还留下一个小尾巴，就是缓存。从处理器的角度而言，Cache就是处理器和内存之间一块空间小，但速度快的内存。因为人们发现程序在存取内存时，具有重复性（循环利用）和连续性（内存相邻），于是通过一种策略，将“更可能选中”的数据放在缓存中，从来缓解Memory Wall造成的Bubbles。
C++程序员不妨看一下《STL源码剖析》，里面也提到了STL的内存池概念，三级缓存的方式设计内存池。比如你看书，会把最近看的，重要的书放在桌子上，唾手可得；另外一些还不错的书放在书架上，挪一下屁股就可以找到；其他书放在箱子里，就需要折腾一翻。
一分钱一分货，给你这些空间了，如何有效的利用缓存，提高命中率，就是一件严肃的问题了。如下是时间成本的数学公式，而我们能优化的空间就是让tpp三变量尽可能小：
先从最简单的direct map，也称为One-way set associative。首先，我们看一下缓存存储方式，类似hashtable：
如上，根据内存地址的后三位，来指定映射关系，这样，缓存中有8个block，内存中平均4个block对应Cache中的一个block。
这样，就有一个问题，我只知道后三位，那如何知道当前缓存的数据对应的是四个block中的哪一个呢？这里引入一个tag概念，对应00，01，10，11四种可能，在查找时，如下图所示，判断Address的低位找到对应的Index，根据tag和高位判断是否命中。
该设计的好处是直接定位，缺点是易冲突。而且以动态的眼光来看，CPU寻址的速度会越来越快，这种设计的优势就越来越次要，而内存会越来越大，hash冲突的概率会越来越明显。这样，在Cache空间不变的情况下，如何降低冲突的可能？这里就要介绍一下目前主流的缓存设计方案：setassociative。
如上，思路就是扁平化，比如单路下的冲突属于设计问题，没有缓冲空间；而在这种情况下，N way就说明冲突的数据还有N个block并存，比如采用Least-Recently used(LRU)来提高命中率。
总结
坦白说，本文所有的思路和要点都不是我的，但每个字已融入我的血液中。而让我欣慰的是，能够把CPU的这些看似破碎的知识点连贯起来，从中窥探CPU发展的来龙去脉；再者结合软件开发中的一些经历，对一些问题的理解更深刻了，比如SIMD和Memory Cache。写到这，我很满足。
纵观CPU的发展，我觉得高速公路的例子形象。早期潜力大，我们优化路况，让每一辆车可以更快的到达目的地。当这一方式接近极限或应用成本无法接受时，我们开始扩宽路面，这样，每辆车的时间不会减少，但可以承载更多的车。其实，很多事物，甚至个人的发展，也都有共性。
同样的工资，你需要的是一个大学教授，还是三个搬砖工？当你的领导已经在考虑这个问题时，我只想说，你走你的路 直到我们无法接触。
参考资料
链接：https://pan.baidu.com/s/1xxyR3rOO0lnP_ngjGBK_XQ 密码：s33w
作者：Peter6
原文链接：https://mp.weixin.qq.com/s/i8U-ski8ataNVYt5yCxsfQ
微信公众号：
推荐阅读
更多GPU及渲染技术干货请关注Arm Mali GPU技术专栏。
