VLIW(Very Long Instruction Word)& マルチスレッドプロセッサ

Report
VLIW(Very Long Instruction Word)&
マルチスレッドプロセッサ
(Multi-Thread Processor)
• VLIW
• Super Scalarのような命令レベル並列処理
Parallel processing with Instruction level like Super Scalar
• MT (Multi-Thread) Processor
• スレッドレベル並列処理
Thread Level parallel processing
• 同時(スループット指向)MT
Simultaneous (Throughput oriented) MT
• Super scalarの上にスレッドレベル並列処理を重ねる
Thread level processing on top of a super scalar processors
• 混合型 Mixture(SMT & VLIW)
福永 力;Chikara Fukunaga
1
Multi-Thread Processor
• MT=Multi-Thread(ここでthreadとはプログラム並
列処理単位:ループ、関数)
Thread is a unit for parallel processing in a
process; Loop or Function
• ここではスパスカラーを利用せず従来型のスカ
ラープロセッサを利用(no. of ways=1)
A conventional scalar processor will be used for
this MT processing.
• 自分自身でthreadを切り替える
The hardware makes the context-switch of
threads.
福永 力;Chikara Fukunaga
2
細粒度あるいはインタリーブMT
Fine Granularity or Interleaved MT
• 細粒度(Fine Granularity or Interleaved)MT:
クロックあるいは命令ごとにthread切り替え
Threads are executed one by one with clock or instruction.
MIPS® MT Principles of Operation Document Number: MD00452 2007より
福永 力;Chikara Fukunaga
3
粗粒度あるいはブロックMT
Coarse Granularity or Blocked MT
• 粗粒度(Coarse Granularity or Blocked)MT:キャッシュ・ミ
スなど長期ストール時にthread切り替え
(別名(a.k.a.):Switch on Event MT:SoEMT)
Switching of Threads is done at a long stall like cache miss
or IO access
MIPS® MT Principles of Operation Document Number: MD00452 2007より
福永 力;Chikara Fukunaga
4
スーパスカラの非効率さ
Inefficiency of Super scalar processors
• (注意)今までのスパースカラプロセッサは命令レベルの
並列性(ILP)に着目していた.
A Super scalar is a parallel processor at the instruction
level.
• しかし例えn命令同時並列処理(n-ways)の能力があって
もIPCはせいぜいn/2程度、資源の半分は使われないまま
という研究結果がある.
IPC is estimated to be only n/2 even if a super scalar has nway pipelines. Efficiency can not be higher than 50%.
福永 力;Chikara Fukunaga
5
スループット指向 MT プロセッサ
Throughput oriented MT Processor
• スーパスカラを多数のthreadを並列処理するプロ
セッサに改変させればその問題が解決できてス
ループット(throughput)も向上する(だろう).
If a super scalar is used as MT processor ,
throughput will be expected to increase.
• スレッドコンテキスト(PCとレジスタ)をthread分用
意
Thread data units (PC and registers) are
implemented with the number equal to the max.
threads expected.
福永 力;Chikara Fukunaga
6
スループット指向MTプロセッサの考え方
Ideas of Throughput Oriented MT Processors
• 同時(Simultaneous) MT:複数thread同時実行
Multiple threads can be executed simultaneously.
• スーパスカラの埋まらないスロットを他のスレッドから
の命令で充填させればよい.
Empty slots of multiple ways can be used for
instructions of other threads. Then the efficiency will
be higher.
MIPS® MT Principles of Operation Document Number: MD00452 2007より
福永 力;Chikara Fukunaga
7
SMT Processor構造 structure
• Extension of a simple super
scalar structure
Instruction of
a thread is
selected
Number of
registers are
increased
Renaming structure
for Multi-threads
福永 力;Chikara Fukunaga
8
スループットMTプロセッサ問題点
Problems about
Throughput MT Processors
• レジスタ数の増加・増大
(IPCかクロック周期かなんらかの犠牲が必要)
Increase of number of Registers. We need to sacrifice performance (IPC and/or
clock frequency)
• メモリ参照の増加 Increase of memory access
(thread単位で独立メモリ領域参照→キャッシュミスヒット)
threadごとのキャッシュ領域=1/thread数
(Cache for each thread must be independently implemented→ Cache size
reduction → cache miss) Cache size ~ 1/no. of threads
• Thread数の限界:資源の半分が通常のスーパスカラで利用されているとした
ら資源のフル利用にはthread数は多くても2、それ以上は無意味
How many threads are really needed? Some study indicated Resource were
most-effectively used with only two.
• 多重スレッドプログラム処理要求は高い?
(数値計算・メディア処理→‥‥)
In which application, such a processor will be used. Numerical processing,
Multimedia ?
福永 力;Chikara Fukunaga
9
• MIPS社開発Multi-thread プロセッサ(2006)
Multi-thread processor developed by MIPS Technologies (2006)
• 2段階の多重thread構造(OS level/User level)
Multiple thread structure with two ranks
• OS level thread → VPE(Virtual Processing Elements)×Max. 2
• User level thread → TC(Thread Context)×Max. 9
• TCはそれぞれ独自のPCとRegister File(RF)を持つ
Each TC has own PC and Register File (RF)
• 単OS、異なるOSを各VPEに導入できる
Single OS with one VPE or
Different OS can be deployed to
each VPE
• いくつかのTCsをVPEに配置
Several TCs/VPE
• QoSがTC選択アルゴリズムを内蔵
QoS contains TC selection Algorithm
福永 力;Chikara Fukunaga
10
MIPS technologies WWW siteから
MIPS32®34Kf™プロセッサProcessor
QoS in MT ASEによるTC選択
TC selection with QoS in MT ASE
• 9 stage pipeline基本構造(basic architecture)+
MT ASE & DSP ASE
(Application Specific Extension)
• 利用者がASEを特定用途向けに改造
Customers can program ASE for their
purpose
• TC優先順位付けPolicy manager in QoS
of MT ASEの設定
Setup of Policy manager in QoS of MT ASE
for TC selection
• 例えば(Examples:)
Prioritization or
Round Robin TC selection/
Cycle assignment to TCs
福永 力;Chikara Fukunaga
Policy Manager
11
MIPS32®34Kf™ Block Diagram
• Fetch UnitはすべてTCから
命令を受け取る
Fetch Unit receives instructions
from all TCs.
• Fetch Unit にはBranch Prediction
Logic (512 entries)
• 各TCはIBFという8個命令収容の
instruction bufferをもつ
Each TC has an instruction buffer
(IBF) which can store 8
instructions
• TC Dispatch UnitはMT control
block にあるpolicy managerから
の決定によりどのTCからの命令
をとってくるか決める
TC Dispatch Unit selects TC to
execute the instruction. MT
control block specify the TC.
MIPS Technologies, MIPS32® 34KfTM Processor Core Datasheet (2008)より
福永 力;Chikara Fukunaga
12
EyeQ2 system with MIPS 34Kf
• Embedded System Europe 8/9 2006 issue
福永 力;Chikara Fukunaga
13
EyeQ2
• 道路交通状況の実時間ビジュアル解析システム
Road traffic condition vision analysis with max. two
cameras input data
福永 力;Chikara Fukunaga
14
EyeQ2 block diagram with 2 MIPS 34Kfs
• 2 MIPS 34Kfs (1つ将来拡張用)が使われて
いる
2 MIPS 34Kfs are used (one is for future
extension)
• 8 Visual Computing Engines
• CE : Classifier Engine
• Image scaling & Preprocessing Unit
• Pattern classifier
• Tracker:
• Image warping and and Motion analysis
• PW: Pre-process Window
• Image converter and pyramid unit
• Computation of Vertical and horizontal edge
map
• Filter:
• Feature based classify unit
• Dfinder (Display Finder)
• Stereo engine
• Programmable scan 2pixel/clock
• 3 Vector Microcode machines (VLIW)
福永 力;Chikara Fukunaga
15
VLIW or EPIC
• VLIW =Very Long Instruction Word or
EPIC =Explicitly Parallel Instruction Computer
• 複数のInstructionを1つの非常に(Very)長い(Long)語
(Instruction Word)に詰め込み並列処理を目論む
Several instructions are put into a very long instruction
word at once.
• Word(100〜200bitより構成)はいくつかのブロック(プロ
セッサの処理ユニットに対応)に分解され,各ブロックは
数10bitでそのユニットの命令(+オペランド)を形作る.
The word is divided into some blocks (O(10) bit size). One
block corresponds to the instruction word of a
conventional processor.
• つまり非常に長い命令語に複数命令を詰め込めるだけ
詰め込みそれらを並列動作させようとするもの.
Multiple instructions are stored in each block of the
instruction word amap. The block has own computing
system so that instructions in the word are able to be
16
executed in parallel.福永 力;Chikara Fukunaga
VLIW or EPIC(2)
• 現在までにさまざまなプロセッサが開発されていった.i860
という64bitのLIWがある.整数計算浮動小数点計算を並列
実行.
Several LIW/VLIW were developed so far such as i860 which
is LIW processor with 64bit instruction word.
• さらにIntel(主要開発はHPによる)のItanium(2001.5発売),
TransmetaのCrusoe(2000.1)などが市場に出回った.ともに
x86命令を展開するのでWindows系PCに使われている.
Intel (although the main developer was HP) VLIW called
Itanium has been put on the market in May 2001 on the
market, Transmeta has had Crusoe in Jan. 2001. Both
processors are VLIW of x86 instructions. They have been
used for Windows PCs.
福永 力;Chikara Fukunaga
17
VLIWの概念
Ideas of VLIW
• 例えば148bitで1語の命令長.いくつかのブロックに分けられ各部分に対応する命令
をプログラムから取ってきて組み込む.それらは並列処理される.
Instruction word length=148bit with several blocks. Each block is used for a particular
kind of instructions. Instructions are processed in parallel.
• スケジューリングハードウェアがないので回路は簡単,低消費電力
A simple circuit and low power consumption because no complicated scheduling logic.
• プログラムから並列並びにハザードを考慮しながら命令を並べるのはソフトウェア(コ
ンパイラあるいは変換ソフト)の仕事
A compiler/translator
software arranges
the instructions into
appropriate blocks.
福永 力;Chikara Fukunaga
18
命令のVLIWへの組み込み
Instructions into VLIW blocks
• 対応する命令が見つからない場合はNOP(No OPeration)を詰め込む.
NOP (No operation) must be put into a block if no instruction candidate
• 効率的な並列処理は期待できない.動画データの解凍,表示,圧縮な
どの反復操作に有効か.
Expected not efficient parallel processing. Effective for Moving picture?
• コンパイラに非常に多くのものを要求,依存しなければならない.
Heavy duty for the compiler
• 構造上インオーダ発行、インオーダ終了となる.
In order issue/in order completion
福永 力;Chikara Fukunaga
19
VLIWとスーパスカラ
VLIW and Superscalar
• VLIWはハードウェアの構成は単純、しかし
The Hardware structure of VLIW is simple, but
• 硬直化したスケジューリング:
命令のインオーダ発行、インオーダ終了
inflexible scheduling with in-order issue and completion
instructions
Compiler
Processors
Scheduler
Processors
福永 力;Chikara Fukunaga
20
VLIW例:富士通FR-V(550)
Example
of
VLIW
:
Fujitsu
FR-V(550)
http://jp.fujitsu.com/microelectronics/products/assp/frv/
• Parallel processing with max 8 instruction/28 calculations/clock
32kB I-cache (4 way set assoc.) and 32kB D-cache(4-set assoc.)
• 90nm CMOS Frequency 440MHz (upgraded in 2006)
64
• シングルチップFR-V550は2006年改変されマルチコア化されMB93577の型
番で商品化されている
FR-V550 has been upgraded to the multi-core chip with ID MB93577
福永 力;Chikara Fukunaga
21
FR-V 8-way VLIW architecture
福永 力;Chikara Fukunaga
22
FRV-550でねらう用途
Applications with FR-V550 cores
• Multimedia processing with low power consumption
• Concurrent processing of Movie decoding (MPEG4/H.264
or MPEG2 decoding with 3D graphics)
• Bioinformatics simulation: Molecular Dynamics of Protein
• High performance but low energy consumption and price.
福永 力;Chikara Fukunaga
23
VLIW問題点
• NOPsの増大による非効率な並列処理
• 世代交代による新規h/w拡張(つまりbit数
/Wの増加)に簡単に対応できない.プログ
ラムの再コンパイルあるいは改造
• インオーダ終了により非効率なサイクル数
の増加(早く終わった命令のアイドリング)
• ロード/セーブ命令のスケジューリング見積
もりの不確定さ
• 細かく複雑な条件分岐を含むプログラムへ
の非力な適応
福永 力;Chikara Fukunaga
24
EPIC(Explicitly Parallel
Instruction Computing)
• Intel、HPはEPICなる概念のアーキテクチャ(IA64)
を共同開発.
Intel and HP together have developed a new
architecture IA64 in the framework of EPIC
• VLIWだがその欠点を克服
It is VLIW in principle, but its drawback is tried to
eliminate
• 両社はItaniumという名称のプロセッサを制作した
(2001)
They have put a new EPIC processor Itanium in
market in 2001
福永 力;Chikara Fukunaga
25
Itanium Architecture
• 128ビットに3つの命令(各41ビット)と5ビットの「template」と呼ばれる
フィールドをもつ.
3 instructions with each for 41 bit block + 5bit field called “template”
• この128ビットの命令ワードを
「bundle」と呼ぶ
128 IW is called “bundle”
• この命令を実行する(1)か
しない(0)かを保持するレジスタ
を指定predicate部に指定
A register to execute
this instruction (1) or not (0)
is specified in Predicate field
福永 力;Chikara Fukunaga
26
Itanium Instructions and Template
• 命令はハードウェアユニットの利用からいく
つかのタイプに分類できる.
Instructions can be divided into several
types according to the main hardware unit.
• templateでハードウェア資源ユニットの数を
考慮した並列できる命令の組み合わせを示
す.templateで規定された組み合わせは独
立であることが保証される.
Template specifies a combination of
instructions which can be put into three
slots in bundle.
• templateの例Example
MII, MI|I, MLX, MMI, M|MI, MFI, MMF,
MIB, MBB, BBB, MFB …
MFI = M inst. (slot 0) F in slot 1 I in slot 2
|はconflictが発生した場合の次のサイクル
への先送り(stop)
| indicates that the instruction after it will
be done in the next cycle if conflict may
occur
命令型
Instruction
type
実行ユニット
Execution unit
A
Integer ALU
I- or M-unit
I
Non-ALU integer
I-unit
M
Memory
M-unit
F
Floating -point
F-unit
B
Branch
B-unit
Extended
I-unit or B-unit
L+X*
*
意味
Description
Long integer or Long Branch
A型命令はI-unitでもM-unitでも処理可能
Type A can be put into either I or福永
M 力;Chikara Fukunaga
27
Itanium ブロック図 Block diagram
• Itanium 1 分岐ユニット(B)×3、整数(I)×4、メモリ(M)×4、浮動小数点(F)
×2個
Itanium 1 Branch unit (B)×3, Integer (I)×4, Memory (M)×4, Floating Point
(F)×2
• Itanium 2 分岐ユニット(B)×3、整数(I)×6、メモリ(M)×6、浮動小数点(F)
×2個
Itanium 2 Branch unit (B)×3, Integer (I)×6, Memory (M)×6, Floating Point
(F)×2
福永 力;Chikara Fukunaga
28
Itanium Bundle Rotationと並列処理
and Parallel Processing
• 命令の実行例
(通常2 bundles同時実行)
Example of instructions
(Simultaneous execution
of two bundles normally)
template MFI & MIB
• Stop処理とbundle次回
まわし(rotation)
Stop process and
bundle rotation
template MII & M|MI
• ここで2サイクルで9個の命令が
並列実行されている. 9/12=75%
Nine instructions are executed in
two cycles. Utilization=9/12=75%
福永 力;Chikara Fukunaga
29
Predicationの概念
Concept of Predicate
• 命令に6ビットのPredication Registerを指定(つまり全部で64
個のregisters;各1ビット)
6bit Predication Register specification is added in the
instruction. Total 64 registers.
• このRegister値が1であれば実行、0であればNOP、だから命
令は以下のような形に
If the value of this register = 1, execute, else =0, then NOP.
(p1) ADD R1,R2,1
• もしp1==1 ADD命令実行 else NOP
if p1==1 ADD else NOP
福永 力;Chikara Fukunaga
30
Predication example/の例
If example
…
…
If (x==10)
c=c+1 ;
…
…
…
…
CMP.EQ P1, 0, R5
(P1) ADD C,1
If-else example
CMP.EQ P1,P2, 10, R5
(P1) inst1
(P1) inst2
(P1) …
(P2) inst3
(P2) inst4
… …
福永 力;Chikara Fukunaga
31
x86とItanium コード比較
Code comparison between x86 and Itanium
• x86 code example • Itanium code example
CMP AX, 0
JE L1
CMP BX,0
JE L1
ADD J, 1
JMP L3
L1: CMP CX,0
JE L2
ADD K, 1
JMP L3
L2: SUB K, 1
L3: ADD I, 1
//Compare R1 with 0, if it is true then P=1 and P2=0,
// otherwise P1=0 and P2=1
CMP.EQ P1, P2, 0, R1
(P2) CMP.EQ P1, P3, 0, R2
(P3) ADD J,1
(P1) CMP.NE P4, P5, 0, R3
(P4) ADD K, 1
(P5) SUB K, 1
ADD I,1
福永 力;Chikara Fukunaga
32

similar documents