高併發、低延遲之玩轉CPU快取記憶體（附C#示例）
寫在前面
好久沒有寫部落格了，一直在不斷地探索響應式DDD，有get到了很多新知識，解惑了很多老問題，最近讀了Martin Fowler大師一篇非常精彩的部落格 ofollow,noindex" target="_blank">The LMAX Architecture ，裡面有一個術語Mechanical Sympathy，姑且翻譯成 機器協同程式設計 ，很有感悟，說的是要把程式設計與底層硬體協同起來，這樣對於開發低延遲、高併發的系統特別地重要，為什麼呢，今天我們就來講講CPU的快取記憶體。
電腦的快取系統
電腦的快取系統分了很多層級，從外到內依次是主記憶體、三級快取記憶體、二級快取記憶體、一次快取記憶體，所以，在我們的腦海裡，覺點磁碟的讀寫速度是很慢的，而記憶體的讀寫速度確是快速的，的確如此，從上圖磁碟和記憶體距離CPU的遠近距離就看出來。這裡要說明一個概念， 主記憶體被所有CPU共享，三級快取被同一個插槽內的CPU所共享，單個CPU獨享自己的一級、二級快取 。CPU是真正處理事情的地方，它會首先從快取記憶體中去獲取所需的資料，如果找不到，再去三級快取中查詢，如果還是找不到最終就去會主記憶體查詢，如果每一次都這樣來來回回地取資料，那麼無疑是非常耗時。如果能夠把資料快取到快取記憶體中就好了，這樣CPU第一次就可以直接從快取記憶體中命中資料，但是這個地方對我們而言根本不透明，腫麼辦？
探索快取記憶體的構造
我們先來看一張魯大師檢測的處理器資訊截圖，如下：
從上圖可以看到，CPU快取記憶體（一、二級）的儲存單元為Line，大小為64 bytes，也就是說無論我們的資料大小是多少，快取記憶體都是以64 bytes為單位快取資料，比如一個8位的long型別陣列，即使只有第一位有資料，每次快取記憶體載入資料的時候，都會順帶把後面7位資料也一起載入，這是底層硬體運作的方式，所以我們要利用這個天然的優勢，讓資料獨佔整個快取行，這樣CPU命中的快取行中一定有我們的資料。
示例
使用不同的執行緒數，對一個long型別的數值計數500億次。
備註：統計分析圖表和總結在最後。
1. 一般的實現方式
大多數程式員都會這樣子構造資料，老鐵沒毛病。
程式碼
///// <summary>
///// CPU偽共享快取記憶體行條目(偽共享)
///// </summary>
public class FalseSharingCacheLineEntry
{
public long Value = 0L;
}
單執行緒
平均響應時間 = 1508.56 毫秒。
雙執行緒
平均響應時間 = 4460.40 毫秒。
三執行緒
平均響應時間 = 7719.02 毫秒。
四執行緒
平均響應時間 = 10404.30 毫秒。
2. 獨佔快取行，直接命中快取記憶體。
2.1 直接填充
程式碼
/// <summary>
/// CPU快取記憶體行條目(直接填充)
/// </summary>
public class CacheLineEntry
{
protected long P1, P2, P3, P4, P5, P6, P7;
public long Value = 0L;
protected long P9, P10, P11, P12, P13, P14, P15;
}
為了保證快取記憶體行中一定有我們的資料，所以前後都填充7個long。
單執行緒
平均響應時間 = 1516.33 毫秒。
雙執行緒
平均響應時間 = 1529.97 毫秒。
三執行緒
平均響應時間 = 1563.65 毫秒。
四執行緒
平均響應時間 = 1616.12 毫秒。
2.2 記憶體佈局填充
作為一個C#程式設計師，必須寫出優雅的程式碼，可以使用StructLayout、FieldOffset來控制class、struct的記憶體佈局。
備註：就是上面直接填充的優雅實現方式而已。
程式碼
/// <summary>
/// CPU快取記憶體行條目(控制記憶體佈局)
/// </summary>
[StructLayout(LayoutKind.Explicit, Size = 120)]
public class CacheLineEntryOne
{
[FieldOffset(56)]
private long _value;
public long Value
{
get => _value;
set => _value = value;
}
}
單執行緒
平均響應時間 = 2008.12 毫秒。
雙執行緒
平均響應時間 = 2046.33 毫秒。
三執行緒
平均響應時間 = 2081.75 毫秒。
四執行緒
平均響應時間 = 2163.092 毫秒。
3. 統計分析
上面的圖示已經一目瞭然了吧，一般的實現方式的持續時間隨執行緒數層執行緒增長，多執行緒下表現的非常糟糕，而通過直接、記憶體佈局方式填充了資料後，響應時間與執行緒數的多少沒有無關，達到了真正的低延遲。其中直接填充資料的方式，效率最高，記憶體佈局方式填充次之，在四執行緒的情況下，一般實現方式持續時間為10.4秒多，直接填充資料的方式為1.6秒，記憶體佈局填充方式為2.2秒，延遲還是比較明顯，為什麼會有這麼大的差距呢？
刨根問底
在C#下，一個long型別佔8 byte，對於一般的實現方式，在多執行緒的情況下，隸屬於每個獨立執行緒的資料會共用同一個快取行，所以只要有一個執行緒更新了快取行的資料，那麼整個快取行就自動失效，這樣就導致CPU永遠無法直接從快取記憶體中命中資料，每次都要經過一、二、三級快取到主記憶體中重新獲取資料，時間就是被浪費在了這樣的來來回回中。而對資料進行填充後，隸屬於每個獨立執行緒的資料不僅被快取到了CPU的快取記憶體中，而且每個資料都獨佔整個快取行，其他的執行緒更新資料，並不會導致自己的快取行失效，所以每次CPU都可以直接命中，不管是單執行緒也好，還是多執行緒也好，只要執行緒數小於等於CPU的核數都和單執行緒一樣的快速，正如我們經常在一些效能測試軟體，都會看到的建議，執行緒數最好小於等於CPU核數，最多為CPU核數的兩倍，這樣壓測的結果才是比較準確的，現在明白了吧。
最後來看一下大師們總結的未命中快取的測試結果
| 從CPU到 | 大約需要的 CPU 週期 | 大約需要的時間 |
|---|---|---|
| 主存 | 約60-80納秒 | |
| QPI 匯流排傳輸 (between sockets, not drawn) | 約20ns | |
| L3 cache | 約40-45 cycles | 約15ns |
| L2 cache | 約10 cycles, | 約3ns |
| L1 cache | 約3-4 cycles | 約1ns |
| 暫存器 | 暫存器 |
原始碼參考： Disruptor/FalseSharingTest.cs" rel="nofollow,noindex" target="_blank">https://github.com/justmine66/MDA/blob/master/tests/MDA.Test.Disruptor/FalseSharingTest.cs
寫在最後
如果有什麼疑問，歡迎評論區交流。
如果你覺得本篇文章對您有幫助的話，感謝您的【推薦】。
如果你對硬體協同程式設計方式感興趣的話可以關注我，我會定期的在部落格分享我的學習心得。