魂芯分簇VLIW DSP上指令调度的优化

魂芯分簇VLIW DSP上指令调度的优化
王玉林;郑启龙
【摘要】魂芯DSP处理器是一款32 bit静态超标量、分簇结构的、支持SIMD 的VLIW处理器.魂芯DSP芯片有4个执行簇和3个内存块,但簇间数据传输和寻址会占用总线带宽.魂芯DSP上每个簇中有大量的计算部件,但是现有的编译器框架中指令调度算法是针对非分簇结构的,无法充分利用魂芯DSP的分簇结构特点,产生出高效的指令级并行代码.根据魂芯处理器架构分簇的特点,提出了在魂芯DSP上进行指令分簇和指令调度的启发式算法,并且在开源Open64编译器框架上进行了实现.实验结果表明,该算法在魂芯DSP编译器上的实现可以显著提高一些在DSP上有着计算密集型程序的性能.
【期刊名称】《微型机与应用》
【年(卷),期】2017(036)011
【总页数】5页(P23-26,30)
【关键词】分簇体系DSP;指令级并行;指令分簇;指令调度;Open64编译器
【作者】王玉林;郑启龙
【作者单位】中国科学技术大学计算机科学与技术学院,安徽合肥230027;中国科学技术大学安徽省高性能计算重点实验室,安徽合肥230027;中国科学技术大学计算机科学与技术学院,安徽合肥230027
【正文语种】中文
【中图分类】TP314
魂芯DSP是一款32 bit静态超标量处理器，采用4个执行簇16发射、单指令流
多数据流(Single Instruction Multiple-data Stream,SIMD)架构[1]。

处理器指令总线宽度为512 bit；内部数据总线采用非对称全双工总线，内部数据读总线位宽为512 bit，内部数据总线位宽为256 bit。

该处理器是一款32 bit浮点数字信号
处理器(Digital Signal Processor,DSP)，采用超长指令字(Very Long Instruction Word,VLIW)架构[2]，具有强大的并行处理能力，能较好地满足高速实时信号处
理的应用要求。

魂芯DSP芯片具有4个执行簇，每个执行簇都有自己的本地寄存器组和计算单元，指令分簇和调度可以高效利用DSP的硬件并行性并且利用单指令组合成超长指令
字产生高质量的代码。

对于分簇体系结构，指令调度比原有的正交体系结构调度更难，各个簇间的通信是通过簇内部的数据总线，单周期内只能够从一个簇传值64 bit的数据到另一个簇。

本文重点介绍魂芯DSP上的指令分簇和调度算法，并在开源编译基础设施Open64编译器框架上进行了实现。

实验效果表明，与原有的非
分簇指令调度算法相比该指令分簇和调度算法能够生成更高质量的代码。

魂芯DSP是一款分簇结构、字寻址模式、支持SIMD的16发射的VLIW浮点运
算信号处理器[3],片内有3块数据处理器，每块8 MB。

主要结构如图1所示。

魂
芯DSP有4个计算簇，分别是X簇、Y簇、Z簇、T簇，每个计算簇有8个算术
逻辑单元(ALU)、4个乘法器(MUL)、2个移位器(SHF)、1个超算单元(SPU)和1
个寄存器组。

计算簇与计算簇之间通过簇间数据总线通信。

有3个地址簇即地址
生成器，分别是U簇、V簇、W簇。

存储器与计算核之间的数据交换所需要的地
址计算由地址生成器提供(AGU地址)。

AGU是作用访存地址计算的特殊单元，每个AGU上有独立的地址寄存器文件(address register file)、专用的地址运算器(address calculation ALU)以及内存存储单元(load/store unit)。

AGU主要用于
普通的地址加减计算，以及load和store指令。

BWDSP编译器采用开源Open64[4]编译器基础设施作为编译器研究框架。

Open64是一款GPL协议的工业级开源编译基础设施，以中后端提供的强大的分析优化能力著称。

主要架构如图2所示。

采取GCC作为前端，中间语言为抽象语法树ASTtree。

高级语言经过前端时，以tree的形式存在，经由gspin(一种从gcc的tree到WHIRL转换的中间表示)的媒介，转换成为WHIRL中间语言。

Open64的前端将源程序转化为内部中间表示WHIRL，后端读入WHIRL，经过翻译生成代码生成阶段(Code Generation，CG)的中间表示CGIR，再经过一系列优化，最终CGIR经过代码输出生成汇编程序。

然而Open64编译器框架支持的众多处理器中没有簇的概念。

由于魂芯DSP拥有丰富的向量化资源，同时其应用对性能要求极高，因此有必要对魂芯DSP提供分簇支持，在分簇基础上对指令进行调度。

本文针对DSP芯片分簇和计算单元堆叠的特点，设计了一种算法，把指令分簇和指令调度耦合为一个过程来进行处理，通过指令调度的反馈来优化指令分簇，进而迭代优化指令调度。

指令调度是对编译器后端生成的指令的调度，利用可以并行执行的指令充分发挥目标机的性能。

所谓指令调度就是从顺序程序中识别出指令级可并行的成分，并利用这些并行性合理安排指令的执行顺序，以达到最大限度地发挥目标机所提供的处理能力的目的。

指令调度决定操作执行的相对顺序、各操作的具体执行时间及使用哪些硬件资源等。

现有的一些比较好的局部和全局的调度算法都是针对非分簇体系结构。

例如线性调度、基于关键路径的调度[5]，以及跟踪调度[6]和渗透调度[7]。

这些算法都不是为了分簇体系结构设计的，在利用这些算法前至少需要一个对指令分簇的阶段。

然而这些算法在指令分簇的阶段并不能知道后期指令调度中对资源和通信的约束。

DSP上指令调度要解决的问题可以如下阐述：用B来表示一个基本块，可以通过一个数据流图(DFG)G=(V,E,ω)来代表。

假设DFG中V表示具体指令，DFG中的
边表示指令间的依赖关系，每一条边e的权重ω(e)是一个整数，代表了两条指令
间延迟的值。

假定DFG中的节点都还没有绑定到X、Y、Z、T任何一个簇上。

P：V→{X,Y,Z,T}
分簇可定义为选择DFG中的每一个节点应该绑定到X、Y、Z、T中的哪一个簇上，在选定了节点要绑定到哪一个簇的同时，这个节点需要的计算部件FU也就可以在这个簇上绑定到这个节点了。

对于一个给定的分簇P，指令调度可以用如下两个映射表示：
F：V→{ALU,MUL,SHF,SPU}
C:V→INs
一个调度是有效的指令调度定义为：对于任意的一个节点v∈V，指令需要的功能
部件FUF(v)是在簇P(v)上的，每一个部件FU在一个周期内只能使用一次，并且
指令条C不能违反任何内部的指令间依赖关系。

也就是说对于任意的节点v的入
边都需要满足下面的约束条件：
e1=(μ1,v),…,ek=(μk,v)
指令调度S=(F,C)的长度L(S)定义为控制流执行的最后一步。

最后一步的意思是，对于一条指令v的延迟，设为d(v)，那么L(S)是其中的执行周期加上指令本身延
迟中的最大值。

本文的目标是同时计算出一个分簇P和一个有效的并且长度最短的调度(F,C)。

调度算法包括两个相互交互的阶段。

在阶段1会产生一个暂时的指令分簇，然后
对于给定的分簇信息阶段2可以进行指令调度。

调度的代价(指令执行的周期数)作为评价分簇的测量指标，然后基于此反馈，阶段1重新找到一个更好的分簇结果
作为阶段2的输入，一直迭代到收敛终止条件。

第一阶段的分簇采用的是模拟退火算法(SA)[8]，与其他的遗传算法类似，SA适用
于非线性的优化问题，因为它能避免基于评价函数的局部最优化的问题。

算法的思想是模拟冷却的过程，从一个初始的结果和初始的阈值开始，每一步迭代中当前的结果被随机地改变，如果更改后的结果更好那就作为当前的最优解，否则就会根据当前的一个随机值决定是否接受这个值作为最优解。

在迭代过程中，阈值越来越小，接受不好的值作为最优解的可能性越来越小，算法如下：
algorithm PARTITION
input DFG
outout: P: array[1..N]of {0,1,2,3}
var
int i,j,r,cost,mincost;
Operlist operlist
float T;
begin
T=10; p:=InitalRandomPartitioning();
mincost:=ListSchedule(G,P)
while T>0.01 do
for i=1 to 50 do
r:=Random(1,n)
Pre_clustered:=P[r];
operlist:=getOpnds(r);
P[r]:=getMostOperlistClusterFlag(operlist,m);
cost:=ListSchedule(G,P);
delta:=cost-mincost;
if delta<0 or Random(0,1)<exp(-delta/T)
then mincost:=cost;
else P[r]:=Pre_clustered
end if
end for
T=0.6*T
end while
return P;
end algorithm
调度算法的主函数是一个线性的调度算法[9]，输入是一个DFG图G和一个分簇过的指令流P。

算法是一个拓扑排序问题，首先标记所有的节点指令为未调度的指令。

每一个被选择的节点通过函数ScheduleNode加到调度序列中，这个函数是指令调度的核心。

最后算法返回调度后的指令周期数。

主调度算法代码如下：algorithm ListSchedule
input: DFG G, Partitioning P;
output: schedule length;
var m: DFG node;
S: schedule;
scheduled[N];
begin
for i=0 to N do
Scheduled[i]:=false;
S:={};
while(not all nodes scheduled) do
m:=NextReadyNode(G);
S:=ScheduleNode(S,m,P);
scheduled[m]:=true;
end while
return Length(S);
end algorithm
子过程ScheduleNode用一些启发式算法来避免增加多余的指令数，因为如果指
令需要的被调度到不同的簇上，那么就需要通过增加mov_inter指令，通过簇间
总线[10]将需要的操作数从另一个簇拷贝到本簇中。

算法的输入是当前的序列S，即将要加入S中的节点m，以及当前的分簇信息P[11]。

主要的策略是在不违反资源约束和依赖约束的前提下把指令m尽可能插入到最早可以调度的指令数。

开始，以m能最早被调度的周期数作为初始值，然而，如果它的前继节点在调度中是第
t个周期，并且这个前继节点的延迟是d,那么m节点不能早于第t+d个周期被调度。

测试是否满足约束在子过程EarliestControlStep中。

指令m在S中可执行
的周期数一直在增加，直到找到一个满足约束条件的有效周期数。

单个节点的调度算法如下：
algorithm ScheduleNode
input: current S, node m, partitioning P;
output: updated S containing m;
var cs:control step number
begin
cs:=EarliestControlStep(m)-1;
repeat
cs:=cs+1;
fm:=GetNodeUnit(m,cs,p);
if fm={} then continue;
if (m has a argument on a different cluster) then
CheckArgTransfer();
if(at least one transfer impossible) then continue;
else TryScheduleTransfers();
if (BusConfict(cs,m)) then continue;
until (m has been scheduled)
if (m is a load instruction) then
ScheduleAddrLoadPath(m);
end if
return S;
end algorithm
对于一个给定的周期数cs，GetNodeUnit寻找一个能执行m指令的功能单元fm,且此功能部件fm在簇P(m)上第cs周期是可用的。

对于魂芯DSP上的大部分指令，优先SHF来执行，SHF无空闲的情况下，可以通过ALU或者MUL来执行。

当然，因为每个簇中有2个SHF、4个MUL、8个ALU，当有多个FU满足条件时，随机选择一个部件绑定到指令m上。

在提出了基于魂系DSP体系结构的指令分簇和调度算法[12]后，为了测试效果，选取了DSP经典的测试集来测试编译器性能，测试了原有的Open64中指令调度算法[13]和本文提出的调度算法对同一个程序编译后执行的周期数。

在
ECS(Effective Coding Studio)统计程序执行的周期数，优化指令调度前后程序的周期数如图3所示。

没有考虑寄存器分配的影响，是因为寄存器分配是在指令调度之前，所生成的DFG是一样的，而且魂芯DSP每个簇中有64个通用寄存器，所以寄存器溢出并不是一个关键因素，不同的只是最后的指令调度阶段。

至此，基
于开源编译器框架Open64完成了针对魂芯DSP上指令分簇和指令调度的优化，加速了程序的执行。

图3中的左边柱条是指令优化前的实验结果，右边的柱条是优化后的指令调度算
法的结果。

实验结果表明，程序性能提高了11%(irr)～41%(dct)，对于计算密集
型程序且关键路径节点较少的dct程序来说优化效果最好，程序的限制因素是资
源部件的约束，而对于程序中关键路径节点较多的程序iir来说，指令调度并不能
带来多高的程序性能的提高。

最后，要说明一下本文提出算法的运行时开销。

原有的Open64的汇编优化使用
的是纯启发式的分簇和调度算法，开销比较小。

也就是说，SA算法对于大的优化问题有较大的运行时开销。

然而，在本文提出的算法中，只是用SA算法进行分簇，指令调度还是用的启发式算法[14]。

这种桥接模式可以在可接受的时间内调度较多DFGs节点的程序，而且在嵌入式系统中，代码质量要远远高于对编译速度的考量，所以这点运行时开销是可接受的。

本文针对魂芯DSP高性能处理芯片，利用其分簇特点和VLIW特点，提出了针对
魂芯DSP上指令分簇和指令调度的算法。

基于开源的Open64编译器，对算法进行了实现，实验结果表明算法进一步优化了魂芯DSP程序的代码质量，充分利用
了魂芯DSP 4个簇和功能部件，缩短了程序指令的指令周期。

对于这种分簇结构
的处理器，一般是先进行分簇之后再进行指令调度。

本文提出的算法基本上与机器是独立的，算法把指令分簇和指令调度结合起来，相比原有两遍单独的优化，取得了更好的优化效果。

未来的工作是，考虑如何把寄存器分配和全局指令调度考虑进来。

目前的调度是基于基本块的，但是块与块之间全局的调度也有很大的优化空间。

王玉林(1992-)，男，硕士研究生，主要研究方向：并行计算、编译理论与技术。

郑启龙(1969-)，男，硕士，副教授，主要研究方向：并行编译。