本文由「百度智能云技术站」公众号整理自百度智能云资深研发工程师刘星星在 2024 年 4 月 QCon 全球软件开发大会（北京站） 性能优化专题的《多元 CPU 性能调优的技术挑战、产品设计和业务实践》主题分享。
当前数据中心的服务器中部署着各类 CPU（Intel/AMD/Ampere 等），这些平台的差异，使得运行在上面的程序无法保证始终运行在最佳状态，成为了提升业务效能的一大阻碍。
CPU 性能调优，这不仅要求工程师对各个平台有着深入的理解，同时需要掌握各类性能分析工具和方法，并依据得到的观测数据，综合诊断出真正的瓶颈原因，并据此展开优化操作，最终提升业务表现。
这种传统的 CPU 性能调优方式，对工程师的能力和经验都有着不小的门槛，难以在更大规模范围地普及，使得很多客户对表现不理想的程序束手无策。
百度智能云推出的一键调优套件 Btune，实现了整个 CPU 性能调优过程的一键自动化，使得用户能够快速完成瓶颈定位，实现性能优化。
完整幻灯片下载：https://qcon.infoq.cn/2024/beijing/presentation/5725
今天我的演讲内容分三个部分：多元 CPU 性能调优的技术挑战；Btune 一键调优产品设计方案；百度智能云的调优实践。
多元 CPU 性能调优的技术挑战
随着 AMD/ARM 的 CPU 在数据中心处理器兴起，服务器领域 CPU 近几年呈现多元化发展，Intel/AMD/ARM 并存的趋势。
首先，Intel 仍然是数据中心 CPU 的主流，从 2012 年开始的 E5 系列到目前最新的 GNR。
从 2017 年开始，AMD 的 Naples 和 Rome 开始进入数据中心领域。到了 2021 年，Milan 处理器以其多核优势开始在数据中心大规模上量。
从 2021 年开始，Ampere 的数据中心处理器，因为它对比同期其他架构处理器的性价比优势，在数据中心开始占有一席之地。
百度智能云也是 CPU 多元化趋势里面的先行者，以及大规模实践者。
从 2017 年至今先后引入 4 代 AMD 处理器。从 2018 年开始大规模试点 AMD 落地数据库等存储场景开始，之后的每一代 AMD 处理器都有相应的计算产品推出。
从 2022 年至今，先后引入 2 代 ARM 处理器。自 2022 年开始，百度内部主流通用计算场景（包括搜索、推荐、商业、大数据等）都已经规模使用了 ARM 处理器。2023 年，百度智能云在国内首次发布了 ARM 虚拟硬件产品 AVH。今年，我们在业内首次将 ARM 服务器大规模应用于智驾仿真场景，并基于 ARM 服务器对外推出了车云同构的仿真方案。
那么在 CPU 多元化的当下， 如何进行跨平台性能调优呢？接下来我们从不同层面来看一下。
首先看下 Core 层面。
我们知道，影响 CPU 性能的不只是 CPU 的频率和核心数，还有指令和微架构。
我们以 Intel/AMD/Ampere 三家 CPU 对比可以看到：
SIMD 指令方面：Intel 从 2021 年的 Ice Lake 开始就已经支持 AVX512 指令了，截止目前 AMD 一直是 AVX256，直到未来的 Zen4 架构才开始支持 AVX512，Ampere 目前的 Altra 包括最新一代 OneX，都是 128 位宽的 Neon 指令。在一些大位宽并行计算场景，Ampere 相对 Intel 和 AMD 要弱一些。
浮点指令方面：三家对 BF16/FP16 的支持是不一样的，平台是否支持 BF16 或者 FP16，在模型进行 16 bit 量化的时候性能差异很大，在 AI 推理场景 BF16/FP16 的支持是个要特别注意的地方。
频率与 HT 方面：Ampere 是固定频率，不支持 HT，独立的物理核，在云原生场景有优势。Intel 和 AMD 都可以超频，但是有一些差异，Intel 是 all core boost，AMD 的不是 all core boost，这个在一些对频率敏感的场景需要特别关注。
Socket 层面。
SubNUMA 方面，因为 Intel/AMD/Ampere 三者的架构不一样，Intel 是 mesh 架构，AMD 是多 die 多 NUMA 架构，Ampere 是单 die 多 NUMA 架构。AMD 和 Ampere 有 subNUMA 的划分，而且可以看到 AMD 在 subNUMA 内和 subNUMA 间的延时差别要更明显一些。这就导致在一些场景，AMD 做 subNUMA 亲和策略对业务性能会有较大提升。
L3 Cache 方面，Intel/AMD/Ampere 三者的容量和延时都有很大差别，总体来看 Ampere 的 L3 无论容量还是延时性能要差一些。这里特别提一下 CPM。Ampere 有一个 CPM 的划分，CPM 内的 Core 间通信比 CPM 之间的要小很多，这就导致在一些场景 CPM 亲和策略对 Ampere 机器会有较大的性能提升。
在互联层面。
Intel/AMD/Ampere 采用的是不同的互联协议。
Ampere 采用的开源 CCIX 协议，这个协议的访存延时和 DMA 读带宽，相比另外两种协议要差很多。所以 Ampere 服务器在很多应用场景，是否支持跨路访问对性能影响非常大，需要特别针对跨路访问进行规避。
AMD 的 xGMI 协议，跨路 DMA 读带宽要更大，在一些大内存带宽的场景（比如 EDA 仿真），表现会比较好。
内核层。
这里列举了 4 个例子。
第一个例子是 CPM 亲和。这个问题可以通过内核 patch 进行调度层的 CPM 亲和性优化。当然如果不放到内核层面解决，也可以在用户层面做特殊的绑核逻辑以达到亲和的目的。
第二个例子是 page cache 亲和。内核里面默认是从容器所在 NUMA 来分配 page cache 内存区域。假如容器在 node0 运行，磁盘链接在 node1，就会导致磁盘的 I/O 要从 node1 跨路 DMA 到 node0 的内存区域，这样在跨路延时大的机器上，I/O 性能就会下降很多。
第三个例子是页表管理，在很多业务场景，64K 页面性能要比 4K 页面性能好。但同时大页表也会导致一些业务内存容量占用增加。两者之间的选择需要进行综合考虑。
第四个例子是中断绑定，内核是优先从中断绑定 NUMA 来分配 skb_buffer。假如中断绑定到 node1，网卡链接在 node0，网络数据就需要从 node0 跨路 DMA 到 node1 所在内存区域，这样在跨路延时大的机器上，网络性能就会下降。
Runtime 层面。
不同平台的底层加速指令是不同的。首先 ARM 和 x86 是不同的指令集，其次即使同样是 x86 指令集的 Intel 和 AMD，他们在一些加速指令层面也有差异。
一个应用程序针对平台的指令加速优化，主要可以通过两个环节进行：一个是编译层面的优化；一个是 runtime 层面的优化。
我们把 runtime 划分成了 3 个方面。
第一个是系统基础运行时库。不同版本的运行时库，在有些场景性能差异会非常大，一般来说版本越高性能越好。
第二个是各平台厂商自己提供的专有加速库。为了提升竞争力和壁垒，芯片厂商都会有一些针对自己芯片的加速库，比如 Intel 有自己的 mkl 等库，AMD 有自己的 aocl 等库。这类库有两个问题：库和平台厂商是绑定的，比如同样的压缩操作接口不一致；另外有些库即使可以多平台运行，但是其性能差别会比较大，比如 mkl 库同样的操作在 Intel 平台性能发挥的比较好，到 AMD 平台虽然也能运行，但是因为 mkl 库不会启用 AMD 芯片的很多加速特性，这就导致其性能就会差很多。在跨平台之间进行迁移时候，会遇到相应的性能问题。
第三个是一些高级语言的运行时，如 JDK/Ruby/Python 等。这类运行时除了平台无关的策略优化外（比如 JDK 的 GC 策略、热点运行时编译策略等），针对平台还可以进行很多指令层面的加速优化。
应用层。
这里举了 4 个例子，都是同样的程序往不同平台迁移过程中，遇到的性能问题。
第一个是 BRPC 的例子，我们将一个 BRPC 服务从 x86 迁移到 Ampere 后，发现其 CPU 利用率比 x86 高近一倍。这里的原因就是由于 Ampere 跨路延时高，导致线程切换慢，这个通过调整 BRPC 的协程切换模式后问题得到了解决。
第二个例子是混部冲突。随着节点算力越来越大，单节点可以部署的任务数越来越多，这个会带来很多层面的性能挑战。比如：sys_use 增高、容器监控组件卡死、内核争抢严重、lsof/ps 慢等性能问题。
第三个例子是 Spinlock 锁。x86 平台和 ARM 平台在底层实现机制上有差别。x86 支持 HT，底层通过 pause 指令实现，只让出 HT 计算单元而不释放 CPU。ARM 物理核需要通过 yield 指令实现，有些程序默认使用的 wfe 指令会带来唤醒延时。延时敏感作业需要注意这个差别。
第四个例子是编译。在编译适配环节，程序需要面向不同平台进行优化。比如编译器层面，不同平台需要不同的编译设置才能充分发挥平台性能。基础库层面，不同平台有不同的优化版本。汇编指令层面，有一些程序会直接调用汇编指令进行并行加速，这时候针对不同平台需要进行指令调用层面的优化。
整体来看，性能优化的挑战是多维度的，从硬件层、系统层、runtime 层到应用层，每一层都需要充分优化。
面对多维度性能挑战，如何充分发挥 CPU 性能，确保 SLA 是一个很有挑战的事情。
Btune 一键调优产品设计方案
性能调优的典型步骤包括四个环节：指标检测、瓶颈定位、性能优化、业务 SLA。这 4 个环节看起来简单实现起来并不容易。
首先，通过指标检测得到性能瓶颈就是一个很复杂的过程：往往需要借助 10+ 检测工具，围绕 4+ 维度、100+ 指标，进行多个层面的分析，综合后得瓶颈结论。
其次，即使知道了瓶颈在哪里，并不意味着就能优化它：针对每一个瓶颈点，往往需要结合专家经验并反复测试，才可能找到可行的优化方法。
为了让性能调优能够被更多用户使用，所以百度智能云将这 4 步调优过程进行了自动化，推出了 Btune ，实现了一键调优的效果。
接下来，我们首先围绕以上几个过程展开，进一步分享 CPU 性能调优在技术上的挑战，再回到 Btune 本身来介绍他的产品设计思路。
第一步：指标检测。
这里面的主要问题是：从硬件 / 内核 /runtime/ 应用数据维度很多，这些指标的相关分析工具众多，使用方法和依赖环节复杂。
这个层面的问题我们看到市场上有一些性能分析展示的产品，已经可以一定程度地解决。所以这里不展开了。
第二步：瓶颈分析
从工具指标到瓶颈结论仍然是一个复杂的过程。经典的瓶颈分析方法，我们都知道。
USE：从资源使用率、饱和度、错误三个维度进行瓶颈分析。看哪里的资源消耗多，是主要的资源瓶颈。
TSA：通过时间片分析，看哪个环节时间消耗最长。
TMA：从 CPU 资源角度，去分析程序资源 bound 在哪里。
以上三种方法指向一个核心问题，一个程序在某个方面资源消耗多、时间消耗长、资源 bound，是合理的还是不合理的？其实，有时候是合理的，有时候是不合理的，这个跟程序行为有关。我们要区分它、判断它，才能进一步去看能不能优化它。
这里举一个瓶颈定位的实际生产例子。
这个例子背景是这样的，某个基于 spark 的大数据业务模块，从 x86 平台迁移到 ARM 平台，发现有几个常尾延时高的节点，需要定位性能瓶颈原因。
我们当时的定位过程是这样的：
首先看资源指标：CPU/MEM/ 网络资源使用比较低，I/O 资源无明显区别；
然后我们发现网络丢包重传高，同时程序在 DFS 网络数据读取上消耗了过多的时间。为什么会这样呢？
进一步观察 DFS 网络数据读写操作，发现 DFS 网络数据读写消耗了大量时间在 skb_buffer 网络数据拷贝；
进一步看内核 skb_buffer 数据拷贝，发现长尾节点比非长尾节点存在更多跨路内存数据拷贝。为什么会这样呢？
进一步看程序内存分配情况和系统设置，发现长尾节点存在跨路数据拷贝的原因是进程内存没有绑定 NUMA，正常节点是绑定 NUMA 的。
经过以上 5 个步骤，我们才得出结论：程序所在容器没有合理绑定 NUMA，导致 skb_buffer 内存跨路拷贝变慢，影响网络性能。
从这个例子可以看到，要定位到瓶颈结论，往往需要多个层面的信息，综合判断，这是一个比较复杂的过程。
第三步：性能优化。
即使知道了瓶颈点，如何针对瓶颈进行优化，很多情况还是无从下手。
比方说我们分析实际业务的时候，会得出下图这些结论，我们知道了程序的资源瓶颈在哪里、时间消耗在哪里、CPU 资源 bound 在哪里。但怎么优化他们，仍然是个问题。
这里再举一个性能优化的例子。
这个例子的背景是这样的，某个广告检索的 ranker 模块，运行在 x86 平台，希望进一步优化其性能。
我们先后找到 3 个可能的优化点，并进行了优化和测试。
第一个，优化热点函数：
找到程序热点最高的函数 general_top 尝试优化。通过函数 TMA 分析，发现其属于分支预测 miss Bound。进一步分析函数代码，发现有些分支可以优化，于是进行了函数代码的优化。
在经过优化后，函数 30s 内运行耗时从 10s 减少到 7s，减少了 30%，函数优化效果非常明显。但是在经过实际测试后，程序整体性能没有大的变化，平响只降低 0.5ms。
第二个，优化内存分配：
我们发现这个程序消耗了很多时间在内存分配上。同时从火焰图搜索可以看到内存分配栈 calloc 比 malloc 还高。
calloc 代表的是大块内存，分配性能差，经常会有 page fault。malloc 代表的是小块内存，多为红黑树和 hash 表被动分配。所以我们优化代码替换掉 calloc。优化后发现效果不明显，主要原因还是代码修改点在整体耗时占比不高。
第三个，优化内存分配：
我们看到程序整体的读换页占比很高，于是尝试通过使能大页的方式，减少内存换页的压力。
测试发现，使能大页后，读换页从 4.8% 降低到 1.8%。程序延时平均降低 3Ms，97 分位 10-12ms，qps 增加 28.5%。程序整体性能优化效果明显。
从这个例子可以看到，要针对某个瓶颈进行优化，往往需要结合专家经验并反复测试，才可能找到可行的优化方法。
这里的主要问题有两个。首先，很多瓶颈点不一定能找到有效的优化方式，需要反复测试验证。其次，有时候我们发现了一个瓶颈点，虽然针对这个瓶颈点我们能优化它，但是如果这个瓶颈不是主要矛盾，即使针对这个瓶颈进行了优化，但是程序整体的性能并不会有太大改善。
针对上面提到的瓶颈定位和性能优化难题，百度智能云推出了如下的解决方案。
瓶颈定位：
我们觉得 USE/TSA/TMA 分析方法能够从不同层面得到性能瓶颈，但还不够直接。这些点有可能是主要矛盾，也可能不是主要矛盾。
百度智能云的方案是通过 USE/TSA/TMA 三方面信息，得到程序资源分布、耗时分布、线程关系。然后基于这些信息，利用自研的瓶颈分析树模块，通过自顶向下的方式，从 CPU、内存、磁盘、网络、并行度 5 个维度对负载瓶颈进行全面性能剖析，得到确定性的性能瓶颈点。
性能优化：
每个瓶颈点该如何优化，百度智能云目前的方案是基于团队在性能调优过程中的案例，汇总成瓶颈点和优化建议关联知识库，从而实现瓶颈定位和性能优化的闭环。
这里展开介绍下瓶颈分析树。
瓶颈分析树把瓶颈定位的过程逻辑化为树的深度优先遍历过程。遍历的过程就是将负载的瓶颈定位范围逐步缩小的过程，直到叶子结点。下图右边是一个内存部分瓶颈分析树的简易示例图。
以案例 1 为例，首先定位到程序为内存资源瓶颈，然后发现内存读写慢，进一步发现内存 TLBMiss 偏高，进一步发现机器匿名大页未开启。这样一步步遍历，得到瓶颈结论。
下图的案例 2 和案例 3，也是相同的自顶向下的分析过程。
这里展开介绍下性能优化。
瓶颈分析树的每个叶子结点都对应了一个最终的瓶颈结论，而每个叶子结点都有相应的优化建议与之对应。每个瓶颈点所对应到的优化方式，来自于百度多年调优实践案例，这些案例最终汇聚成为了专家知识库。
下面是上文 3 个案例对应的瓶颈结论和可行优化建议。
基于上述方案，百度智能云推出了一款性能调优套件 Btune，支持多元 CPU 加速，目前已经覆盖百度智能云的全部计算类产品。
在 Btune 中选择机器实例和进程后，点击一键分析，几分钟就可以生成性能分析报告，得到程序的瓶颈结论和优化建议。
在 Btune 提供的瓶颈结论和优化建议报告中包含两部分：分析摘要和分析详情。
分析摘要：清晰地展示了业务性能瓶颈点和相应的优化建议，可以满足绝大部分场景的需求。
分析详情：提供了更详细的性能分析数据，从系统配置、系统性能、进程线程模型、函数指令热点等多个维度呈现负载的运行特性，满足用户更细粒度性能优化。
除了性能调优套件 Btune 之外，百度智能云即将推出加速套件 BtuneAK。
Btune：一键性能调优助手，可以快速定位瓶颈并得到优化建议。
BtuneAK：打通性能优化的最后一环，一键使能，提升业务性能。
Btune 相关套件在百度智能云 BBC 和 BCC 计算实例上都是免费使用的。
百度智能云的调优实践
第一个例子，检索子系统需要进一步优化延时。通过 Btune 分析得到分析摘要。瓶颈结论为：内存子系统异常，关键瓶颈在 TLB，监测到系统没有开启大页。优化建议为：系统层，系统开启透明大页。使能优化建议后，平均延迟优化 3.9%~4.6%，97 分位延迟优化 4.6%~4.7%。
第二个例子，某排序服务模块基于 BRPC 构建，CPU 利用率高。通过 Btune 分析得到分析摘要。CPU 子系统异常，关键瓶颈在 usr 态，steal_task 操作瓶颈，监测到 Bthread 模式为 steal_task。优化建议为：应用层，优化 Bthread 模式，用 GlobalBalancer 替换 steal_task。使能优化建议后，CPU 平均利用率降低 25.8%。
第三个例子，某数据存储服务，大量的读写请求超过 28ms，突破 SLA 要求。通过 Btune 分析，得到分析摘要。瓶颈结论：进程和读写磁盘分属不同 node 性能差，导致磁盘 I/O 瓶颈。优化建议为：硬件层，磁盘亲和（进程所在 node，使用本 node 磁盘）。使能优化建议后：平均请求延时降低 17%，99 分位请求延时降低 11.7%。
以上就是我今天和大家分享的全部内容了。
