性能优化PPT6

Session 5: Profiling

Lecturer: Anne Reinarz

🧠 核心目标

在大型代码库中使用 Profiling 识别热点，优化性能瓶颈。

---

🔍 为什么需要 Profiling？

• Performance counters 不适用于大规模代码（太难标注）。
• Profiling 帮助我们：
  1. 找到耗时最多的部分（hotspots）
  2. 量化这些部分的性能
  3. 优化它们

---

📊 Profiling 类型

1. Sampling

• ✅ 不需要修改源码
• ⚠️ 只提供统计模型（不够精确）
• ⚠️ 对小函数或短程序不够详细
• ✅ 适合长时间运行的程序

特点

• 程序中断 + 定期采样 + 栈快照
• 有一定误差

---

2. Instrumentation

• ✅ 极度详细，需要源码注释
• ⚠️ 需预处理源码
• ⚠️ 对小函数开销大

Tracing

• 显式测量，精度高但信息少，成本高

---

🛠 使用 gprof 做采样分析

基本流程

1. 编译时加 profiling 选项：

   gcc -pg -g <source_file> -o <executable_name>
   

2. 运行程序 → 生成 gmon.out
3. 生成报告：

   gprof <executable_name> gmon.out        # 平面信息 + 调用图
   gprof -A <executable_name> gmon.out     # 带注释的源码
   

---

📄 gprof 输出解读

1. Flat Profile

显示各函数耗时、调用次数：

%  cumulative  self  self  total
time seconds   seconds calls s/call s/call name
99.82   5.70     5.70     2   2.85   2.85  basic_gemm

• self time：函数本身耗时
• total time：包含子函数总耗时

---

2. Call Graph

展示调用关系及各函数耗时、调用路径：

[1] 100.0 0.00 5.71 1 bench
      5.70 0.00 2/2 basic_gemm

---

3. Annotated Source

源码中显示每行执行次数，例如：

2 -> {
   const int ilim = ...
}

---

🧩 优化工作流程

1. 识别热点函数
2. 找到相关代码段
3. 确认算法实现
4. 加入 Instrumentation 标记（如 likwid API）
5. 用性能模型做进一步分析