Filecoin - SDR性能优化原理分析

Filecoin官方今天正式宣布了SDR的优化版本。在AMD3970x上，P1的性能2小时10分钟。看了看官方的优化思路，分享一下。P1性能优化的核心Patch如下：

commit 0313c663c1b4c7ea891dcaf7245e2cc5eb4b1f81
Author: dignifiedquire 
Date:   Thu Aug 27 23:08:12 2020 +0200

 Optimize Phase1.

这个Patch在8月27号就做出来了。优化思路比较清晰：通过预读取base/exp parent的数据，让数据的准备和sha256的计算并行。在介绍具体的优化逻辑之前，介绍一下AMD CPU架构的小知识：

1. Core Complex

CCX是AMD CPU架构的一个术语。CCX - CPU Core Complex。CCX指的是一组（4个）CPU核心和缓存（L1/L2/L3）。4个CCX一组，也有一个专门的术语 - CCD （Core Chiplet Die)。AMD的Ryzen 3000系列的处理器都采用类似的架构。

上图给一个示例。整个芯片由两个die组成（上面是die0，下面是die1）。每个Die（CCD）包括两个CCX。注意的是，每个core都有自己的L1/L2缓存，但是L3缓存是几个Core共享的。也就是说，在CCX的四个核可以共享L3缓存，如果四个核需要访问同一段数据，可以加速数据的访问时间。

2. SDR算法优化思路

SDR算法在之前的文章中详细介绍：

Filecoin - 为什么SDR这么慢？

优化之前计算一层的某个节点是这样的：

在计算某个节点时，临时获取exp/base的parent节点信息，再进行sha256的计算。

优化后的计算方式如下：

优化的思路，就是将exp/base的parent节点信息的获取和sha256的计算并行。在进行节点计算之前，预先读取exp/base的节点信息并保存在sdr_parent_cache环缓冲中。注意，sdr_parent_cache和parent_cache不一样。sdr_parent_cache是某个节点依赖的多个节点的信息，parent_cache是节点依赖信息的缓存。Filecoin官方称这个优化是Multi-core优化，有几个原因：

1. 节点依赖数据的预读取和节点的计算由多核实现。
2. 预读取的逻辑本身也是由多核实现。

3. SDR算法优化逻辑分析

明确了优化思路，SDR算法优化的代码还是比较容易理解的。核心逻辑在storage-proofs/porep/src/stacked/vanilla/create_label/mult.rs代码的create_layer_labels函数中。

fn create_layer_labels(
  parents_cache: &CacheReader<u32>,
  replica_id: &[u8],
  layer_labels: &mut MmapMut,
  exp_labels: Option<&mut MmapMut>,
  num_nodes: u64,
  cur_layer: u32,
) -> Result<()> {

parents_cache是节点依赖关系的cache数据，replica_id是replia的编号信息，layer_labels和exp_labels分别是当前层和上一层的数据，num_nodes节点个数，cur_layer是当前层的编号。

逻辑的实现采用“生产者/消费者“模式，生产者”生成“节点依赖数据，消费者获取这些数据并进行sha256的计算。

3.1 确定生产者配置

生产者，通过多线程预读取某个节点依赖的节点数据。lookahead指预读取最大的节点个数。num_producers是使用多少个生产者。producer_stride是每个生产者一次生产多少个节点的依赖数据。

 let (lookahead, num_producers, producer_stride) = if cur_layer == 1 {
 (400, 1, 16)
 } else {
 (800, 2, 128)
 };

在Layer为1时，采用1个生产者，每个生产者一次生产16个节点的依赖数据。其他Layer时，采用2个生产者，每个生产者一次生产128个节点的依赖数据。Layer为1和其他时候区分开，是因为Layer1的依赖关系和其他层不一样。

3.2 申请Ring缓存

生产者预生成的节点依赖数据是通过Ring缓存(ring_buf)存储。这个存储在生产者和消费者之间共享。

 const BYTES_PER_NODE: usize = (NODE_SIZE * DEGREE) + 64;
 let mut ring_buf = RingBuf::new(BYTES_PER_NODE, lookahead);
 let mut base_parent_missing = vec![BitMask::default(); lookahead];

 // Fill in the fixed portion of all buffers
 for buf in ring_buf.iter_slot_mut() {
 prepare_block(replica_id, cur_layer, buf);
 }

需要解释一下base_parent_missing。因为base parent的节点需要当前层前面节点的计算结果，在预读取的时候，可能这些节点还没有计算出来。这些节点的信息通过base_parent_missing标示出来。注意，ring_buf中的每个节点的数据除了依赖的节点信息外，还有一些辅助信息（replica_id, node_id等等）。这些辅助信息的长度是64，所以BYTES_PER_NODE还会加上64。prepare_block函数就是预先填充辅助信息。

3.3 申请原子锁操作

生产者和消费者之间需要同步。多个生产者之间也需要同步。

 // Node the consumer is currently working on
 let cur_consumer = AtomicU64::new(0);
 // Highest node that is ready from the producer
 let cur_producer = AtomicU64::new(0);
 // Next node to be filled
 let cur_awaiting = AtomicU64::new(1);

cur_consumer和cur_producer就是用于生产者和消费者之间的同步。cur_awaiting用于多个生产者之间的同步。

3.4 启动生产者

设定了多少生产者，就启动个多少线程。每个线程调用create_label_runner函数，实现了具体的预读取逻辑。

 for _i in 0..num_producers {
 let layer_labels = &layer_labels;
 let exp_labels = exp_labels.as_ref();
 let cur_consumer = &cur_consumer;
 let cur_producer = &cur_producer;
 let cur_awaiting = &cur_awaiting;
 let ring_buf = &ring_buf;
 let base_parent_missing = &base_parent_missing;

 runners.push(s.spawn(move |_| {
 create_label_runner(
 parents_cache,
 layer_labels,
 exp_labels,
 num_nodes,
 cur_consumer,
 cur_producer,
 cur_awaiting,
 producer_stride,
 lookahead as u64,
 ring_buf,
 base_parent_missing,
 )
 }));
 }

具体的逻辑比较清晰易懂，感兴趣的小伙伴直接看源代码。

3.5 启动消费者

消费者的逻辑相对多一些。每一层的第一个节点因为没有base parent节点，计算比较特殊，单独处理：

 let mut buf = [0u8; (NODE_SIZE * DEGREE) + 64];
 prepare_block(replica_id, cur_layer, &mut buf);

 cur_node_ptr[..8].copy_from_slice(&SHA256_INITIAL_DIGEST);
 compress256!(cur_node_ptr, buf, 2);

 // Fix endianess
 cur_node_ptr[..8].iter_mut().for_each(|x| *x = x.to_be());

 cur_node_ptr[7] &= 0x3FFF_FFFF; // Strip last two bits to ensure in Fr

查看生产者提供了多少节点数据，并开始进行处理：

 let ready_count = producer_val - i + 1;
 for _count in 0..ready_count {
 cur_node_ptr = &mut cur_node_ptr[8..];
 // Grab the current slot of the ring_buf
 let buf = unsafe { ring_buf.slot_mut(cur_slot) };

处理过程分为两部分。第一部分，base parent有可能有缺失，先补充缺失的数据：

 for k in 0..BASE_DEGREE {
 let bpm = unsafe { base_parent_missing.get(cur_slot) };
 if bpm.get(k) {
 // info!("getting missing parent, k={}", k);
 let source = unsafe {
 if cur_parent_ptr.is_empty() {
 cur_parent_ptr =
 parents_cache.consumer_slice_at(cur_parent_ptr_offset);
 }
 // info!("after unsafe, when getting miss parent");
 let start = cur_parent_ptr[0] as usize * NODE_WORDS;
 let end = start + NODE_WORDS;

 // info!("before as_slice(), when getting miss parent");
 &layer_labels.as_slice()[start..end]
 };

 buf[64 + (NODE_SIZE * k)..64 + (NODE_SIZE * (k + 1))]
 .copy_from_slice(source.as_byte_slice());
 // info!("got missing parent, k={}", k);
 }
 cur_parent_ptr = &cur_parent_ptr[1..];
 cur_parent_ptr_offset += 1;
 }

第二部分，在base parent数据补充完整后，所有的数据都已经准备完成，进行sha256的计算：

 if cur_layer == 1 {
 // Six rounds of all base parents
 for _j in 0..6 {
 compress256!(cur_node_ptr, &buf[64..], 3);
 }

 // round 7 is only first parent
 memset(&mut buf[96..128], 0); // Zero out upper half of last block
 buf[96] = 0x80; // Padding
 buf[126] = 0x27; // Length (0x2700 = 9984 bits -> 1248 bytes)
 compress256!(cur_node_ptr, &buf[64..], 1);
 } else {
 // Two rounds of all parents
 let blocks = [
 *GenericArray::::from_slice(&buf[64..128]),
 *GenericArray::::from_slice(&buf[128..192]),
 *GenericArray::::from_slice(&buf[192..256]),
 *GenericArray::::from_slice(&buf[256..320]),
 *GenericArray::::from_slice(&buf[320..384]),
 *GenericArray::::from_slice(&buf[384..448]),
 *GenericArray::::from_slice(&buf[448..512]),
 ];
 sha2::compress256((&mut cur_node_ptr[..8]).try_into().unwrap(), &blocks);
 sha2::compress256((&mut cur_node_ptr[..8]).try_into().unwrap(), &blocks);

 // Final round is only nine parents
 memset(&mut buf[352..384], 0); // Zero out upper half of last block
 buf[352] = 0x80; // Padding
 buf[382] = 0x27; // Length (0x2700 = 9984 bits -> 1248 bytes)
 compress256!(cur_node_ptr, &buf[64..], 5);
 }

计算分为两种情况，一种是第一层的数据，一种是其他层的数据。计算sha256的过程稍稍有些不同。至此，整个优化算法逻辑就完整了。

总结：

Filecoin官方宣布了SDR的优化版本。在AMD3970x上，P1的性能2小时10分钟。优化思路比较清晰，通过预读取base/exp parent的数据，让数据的准备和sha256的计算并行。