OpenMP 多线程更新同一个数组

Question

我的程序中有以下代码，我想使用 OpenMP 加速它。

...
for(i=curr_index; i < curr_index + rx_size; i+=2){ 
    int64_t tgt = rcvq[i];
    int64_t src = rcvq[i+1];
    if (!TEST(tgt)) {
        pred[tgt] = src;
        newq[newq_count++] = tgt;
    }
} 

目前我有一个版本如下：

...
chunk = rx_sz / omp_nthreads;

#pragma omp parallel for num_threads(omp_nthreads)
for (ii = 0; ii < omp_nthreads; ii++) { 
    int start = curr_index + ii * chunk;
    for (index = start; index < start + chunk; index +=2) { 
        int64_t tgt = rcvq[index];
        int64_t src = rcvq[index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;

            #pragma omp critical 
            newq[newq_count++] = tgt;
        }
    }
}

当我运行 OpenMP 版本时，我发现与原始版本相比性能大幅下降。我认为这个问题可能是因为“omp critical”阻止了并行处理。我想知道我的代码可以增强什么，这样我就可以获得比串行版本更好的性能。在代码中，rx_sz 始终是 omp_nthreads 的倍数。

Answer 1

是的，关键部分限制了您的表现。您应该在本地为每个线程收集结果，然后将它们合并。

size_t newq_offset = 0;
#pragma omp parallel
{
    // Figure out something clever here...
    const size_t max_newq_per_thread = max_newq / omp_get_num_threads();
    int64_t* local_newq = malloc(max_results_per_thread * sizeof(int64_t));
    size_t local_newq_count = 0;

    #pragma omp parallel for
    for (i=curr_index; i < curr_index + rx_size; i+=2)
        int64_t tgt = rcvq[2*index];
        int64_t src = rcvq[2*index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;
            local_newq_count++;
            assert(local_newq_count < max_newq_per_thread);
            local_newq[local_newq_count] = tgt;
        }
    }
    int local_offset;
    #pragma omp atomic capture
    {
        local_offset = offset;
        offset += local_newq_count;
    }
    for (size_t i = 0; i < counter; i++)
    {   
        res_global[i + local_offset] = res[i];
    }
}

使用这种方法，所有线程在合并时并行工作，atomic capture 上的争用很少。注意你也可以用atomic capture做一个简单的版本，比临界区效率更高，但还是会很快成为瓶颈：

size_t newq_count_local;
#pragma omp atomic capture
newq_count_local = newq_count++;
newq[newq_count_local] = tgt;

• newq 内的任何版本订单不保证
• 始终尽可能将变量声明为本地变量！特别是在使用 OpenMP 时。您发布的critical-版本错误，因为index（在外部范围内定义）隐式在线程之间共享。
• 所有这些都假定rcvq 中没有重复项。否则，您会在 pred[tgt] = src; 上获得竞争条件。
• 您手动分割循环的方法过于复杂。不需要做两个循环，只需使用一个pragma omp for 循环。

另一个答案是正确的。但是，它是 C++，而不是标记为 C。使用 std::vector<std::vector<>> 时还有一个微妙但显着的性能问题。通常一个向量用三个指针来实现，共24个字节。在push_back 时，指针之一递增。这意味着，a) 来自多个线程的本地向量的指针驻留在同一缓存行上，并且 b) 在每次成功的 TEST、push_back 读取和写入其他线程使用的缓存行时.这个缓存线必须一直在内核之间移动，极大地限制了这种方法的可扩展性。这称为虚假分享。

我根据另一个答案实现了一个小测试，给出了以下性能：

• 0.99 s - 单线程
• 1.58 s - 同一插槽的两个相邻内核上的两个线程
• 2.13 s - 不同套接字的两个内核上的两个线程
• 0.99 s - 两个线程共享一个内核
• 0.62 s - 两个套接字上有 24 个线程

而以上 C 版本的扩展性要好得多：

• 0.46 s - 单线程（C 与 C++ 无法比较）
• 0.24 s - 两个线程
• 0.04 s - 24 个线程

Answer 2

我很确定 omp 关键部分在这一点上限制了你的表现。

我建议您将结果收集到单独的缓冲区/向量中，并在并行处理完成后将它们合并（当然，如果顺序对您来说并不重要）

vector<vector<int64_t>> res;
res.resize(num_threads);
#pragma omp parallel for
for (index = 0; index < rx_sz/2; ++index) { 
        int64_t tgt = rcvq[2*index];
        int64_t src = rcvq[2*index+1];
        if (!TEST(tgt)) {
            pred[tgt] = src;

            res[omp_get_thread_num()].push_back(tgt);
        }
    }

// Merge all res vectors if needed