小编科普一下超标量处理器中的Cache

超标量处理器中，Cache和分支预测会直接影响着性能，分支预测的内容将在其它博文中介绍，本文重点关注超标量处理器中的Cache。

Cache之所以存在，是因为存储器的速度远远滞后于处理器的速度，人们观察到在计算机的世界中，存在如下的两个现象：

时间相关性（temporal locality）：如果一个数据现在被访问了，那么以后很有可能也会被访问；

空间相关性（spatial locally）：如果一个数据现在被访问了，那么它周围的数据在以后可能也会被访问；

处理器中的各种cache示意如图1所示，现代超标量处理器都是哈佛结构，为了增加流水线的执行效率，L1 Cache一般都包括两个物理的存在，指令Cache(I-Cache)和数据Cache(D-Cache)，本质上两者是一样的，I-Cache只会发生读情况，D-Cahce既可以读也可以写，所以更复杂点，L1 Cach紧密耦合在处理器的流水线中，主打功能就是求快。

L2通常是指令和数据共享，它和处理器的速度不必保持同样，可以容忍慢点，它存在的主要意义是尽量保存更多的内容，即求全。

在L1 Cache miss的情况下，会去访问L2 Cache，加入L2 Cache在缺失时去访问物理内存(一般是DRAM)，这个访问时间很长，因此要尽可能地提高L2 Cache的命中率。

L1 Cache和L2 Cache是和处理器联系最紧密的，通常采用SRAM实现。物理主存Main memory通常是采用DRAM实现的。

再往下就是硬盘(Disk)和闪存(Flash)。层层嵌套，CPU拥有存储器相当于硬盘的大小和SRAM的速度。

L1 Cache和L2 Cache通常和处理器是在一块实现的。

在SoC中，主存和处理器之间通过总线SYSBUS连接起来。

 

图1 处理器中的各种Cache

Cache主要由两部分组成，Tag部分和Data部分。因为Cache是利用了程序中的相关性，一个被访问的数据，它本身和它周围的数据在最近都有可能被访问，因此Data部分就是用来保存一片连续地址的数据，而Tag部分则是存储着这片连续地址的公共地址，一个Tag和它对应的所有数据Data组成一行称为Cache line，而Cache line中的数据部分成为数据块(Cache data block，也称做Cache block或Data block)。

如果一个数据可以存储在Cache的多个地方，这些被同一个地址找到的多个Cache line称为Cache set。

以上关系如图2所示。



图2 Cache的结构

图2中只表示了一种可能的实现方式，在实际当中，Cache有三种主要的实现方式，直接映射(direct-mapped)Cache，组相连(set-associative)Cache和全相连(full-associative)Cache，实现原理如图3所示。

对于物理内存(physical memory)中的一个数据来说，如果在Cache中只有一个地方可以容纳它，它就是直接映射的Cache；如果Cache中有多个地方可以放置这个数据，它就是组相连的Cache；如果Cache中任何的地方都可以放置这个数据，那么它就是全相连的Cache。可以看出，直接映射和全相连映射这两种结构的Cache实际上是组相连Cache的两种特殊情况，现代处理器中的Cache一般属于上述三种方式的一种，例如TLB和Victim Cache多采用全相连结构，而普通的I-Cache和D-Cache则采用组相连结构等。



图3 Cache的三种实现方式

1. Cache的组成方式

1.1 直接映射

直接映射结构的Cache是最容易实现的一种方式，处理器访问存储器的地址会被分为三部分：Tag、Index和Block Offset。

如图4所示，使用Index来从Cache中找到一个对应的Cacheline，但是所有Index相同的地址都会寻址到这个Cacheline，因此在Cacheline中还有Tag部分，用来和地址中的Tag进行比较，只有它们相等才表明这个Cacheline就是想要的那个。

在一个Cacheline中有很多数据，通过存储器地址中的Block Offset部分可以找到真正想要的数据，它可以定位到每个字节。

在Cacheline中还有一个有效位(Valid)，用来标记这个Cacheline是否保存着有效的数据，只有在之前被访问过的存储器地址，它的数据才会存在于对应的Cacheline中，相应的有效位也会被置为1。

直接映射有个缺点，就是对于所有Index相同的存储器地址，都会寻址到同一个Cacheline，如果两个Index部分相同的存储器地址交互地访问Cache，就会一直导致Cache缺失，严重地降低了处理器的执行效率。

图4 直接映射Cache

1.2 组相连

组相连的方式是为了解决直接映射结构Cache的不足而提出的，存储器中的一个数据不单单只能放在一个Cacheline中，而是可以放在多个Cacheline中，对于一个组相连结构的Cache来说，如果一个数据可以放在n个位置，则称这个Cache是n路组相连的Cache(n way set-associative Cache)，图5为一个两路组相连Cache的原理图。

图5 2路组相连映射Cache

这种结构仍旧使用存储器地址的Index部分对Cache进行寻址，此时可以得到两个Cacheline，这两个Cacheline称为一个Cache set，究竟哪个Cacheline才是最终需要的，是根据Tag比较的结果来确定的，如果两个Cacheline的Tag比较结果都不相等，那么就说明这个存储器地址对应的数据不在Cache中，也就是发生了Cache缺失。

这种方式在实际处理器中应用最为广泛，上面提到的Tag部分和Data部分都是分开放置的，称为Tag SRAM和Data SRAM，可以同时访问这两部分。

图5所示为并行访问，如果先访问Tag SRAM部分，根据Tag比较的结果再去访问Data SRAM部分，就称为串行访问。

图6为并行访问方法的示意图，对于并行访问的结构，当某个地址的Tag部分被读取的同时，这个地址在Data部分对应的所有数据也会被读取出来，并送到一个多路选择器，这个多路选择器受到Tag部分比较结果的控制，选出对应的Data block，然后根据存储器地址中Block Offset的值，选择出合适的字节，一般将选择字节的这个过程称为数据对齐(Data Alignment)。



图6 并行访问Cache中的Tag和Data部分

如图7为串行访问实现方式，对于串行访问方法来说，首先对Tag SRAM进行访问，根据Tag比较的结果，就可以知道数据部分中，哪一路的数据时需要被访问的，此时可以直接访问这一路的数据，这样就不在需要图6中的多路选择器，而且，只需要访问数据部分指定的那个SRAM，其它的SRAM由于都不需要被访问，可以将它们的使能信号置为无效，这样可以节省很多功耗，当然串行访问在延迟上会更大。

图7 串行访问Cache中的Tag部分和Data部分

1.3 全相连

在全相连中，一个存储器地址的数据可以放在任何一个cacheline中，如图8所示，存储器地址中将不再有Index部分，而是直接在整个的Cache中进行Tag值比较，找到比较结果相等的那个Cache line，这种方式相当于直接使用存储器的内容来寻址，从存储器中找到匹配的项，这其实就是内容寻址的存储器( Content Address Memory, CAM)，实际当中的处理器在使用全相连结构的Cache时，都是使用CAM来存储Tag值，使用普通的SRAM来存储数据的。

当CAM中的某一行被寻址到时，SRAM中对应的行(一般称为word line)也将会被找到，从而SRAM可以直接输出对应的数据。

图8 全相连

2. Cache的写入

2.1 写通和写回

对于D-Cache来说，它的写操作和读操作有所不同，当执行一条store指令时，如果只是向D-Cache中写入数据，而并不改变它的下级存储器中的数据，这样就会导致D-Cache和下级存储器中，对于这一个地址有着不同的数据，这称作不一致(non-consistent)。

要想保持它们的一致性，最简单的方式就是当数据在写到D-Cache的同时，也写到它的下级存储器中，这种写入方式称为写通(Write Through)。

由于D-cache的下级存储器需要的访问时间相对是比较长的，而store指令在程序中出现的频率又比较高，如果每次执行store指令时，都向这样的慢速存储器中写入数据，处理器的执行效率肯定不会很高了。

如果在执行store指令时，数据被写到D-Cache后，只是将被写入的Cacheline做一个记号，并不将这个数据写到更下级的存储器中，只有当Cache中这个被标记的line要被替换时，才将它写到下级存储器中，这种方式就称为 写回(Write Back)，被标记的记号在计算机术语中称为脏(dirty)状态，很显然，这种方式可以减少写慢速存储器的频率，从而获得比较好的性能。

当然，这种方式会造成D-Cache和下级存储器中有很多地址中的数据是不一致的，这会给存储器的一致性管理带来一定的负担。

2.2 Non-Write Allocate和Write Allocate

上面所讲述的情况都是假设在写D-Cache时，要写入的地址总是D-Cache中存在的，而实际当中，有可能发现这个地址并不在D-Cache中，这就发生了写缺失(write miss)，此时最简单的处理方法就是将数据直接写到下级存储器中，而并不写到D-Cache中，这种方式称为Non-Write Allocate。

与之相对应的方法就是Write Allocate，在这种方法中，如果写Cache时发生了缺失，会首先从下级存储器中将这个发生缺失的地址对应的整个数据块(data block)取出来，将要写入到D-Cache中的数据合并到这个数据块中，然后将这个被修改过的数据块写到D-Cache中。

如果为了保持存储器的一致性，将这个数据块也写到下级存储器中，这种方法就是上小节说过的写通(Write Through)。

如果只是将D-Cache中对应的line标记为脏(Dirty)的状态，只有等到这个line要被替换时，才将其写回到下级存储器中，则这种方法就是前面提到的写回(Write Back)。

Write Allocate为什么在写缺失时，要先将缺失地址对应的数据块从下级存储器中读取出来，然后在合并后写到Cache中？

因为通常对于写D-Cache来说，最多也就是写入一个字，直接写入Cache的话，会造成数据块中的其它部分和下级存储器中对应的数据不一致，且是无效的，如果这个cacheline由于被替换而写回到下级存储器中时，就会使下级存储器中的正确数据被篡改。

通过上面的描述可以看出，对于D-Cache来说，一般情况下，写通(Write Through)总是配合Non-Write Allocate一起使用的，它们都是直接将数据更新到下级存储器中，这两种方法配合的工作流程如图9所示。



图9 Write Through和Non-Write Allocate两种方法配合工作的流程图

在D-Cache中，写回(Write back)的方法和Write Allocate也是配合在一起使用的，它的工作流程如图10所示。



图10 Write back和Write Allocate配合工作的流程图

由图10可以看出，在D-Cache中采用写回(Write back)的方法时，不管是读取还是写入时发生缺失，都需要从D-Cache中找到一个line来存放新的数据，这个被替换的line如果此时是脏(dirty)状态，那么首先需要将其中的数据写回到下级存储器中，然后才能够使用这个line存放新的数据。

也就是说，当D-Cache中被替换的line是脏的状态时，需要对下级存储器进行两次访问，首先需要将这个line中的数据写回到下级存储器，然后需要从下级存储器中读取缺失的地址对应的数据块，并将其写到刚才找到的Cache line中。

对于D-Cache来说，还需要将写入的数据也放到这个line中，并将其标记为脏的状态。

从图9和图10可以看出，采用写回和Write Allocate配合工作的方法，其设计复杂度要高于写通和Non-Write Allocate配合工作的方法，但是它可以减少写下级存储器的频率，从而使处理器获得比较好的性能。

3. Cache的替换策略

在一个Cache Set内的所有line都已经被占用的情况下，如果需要存放从下游存储器中读过来的其它地址的数据，那么就需要从其中替换一个，如何从这些有效的Cache line找到一个并替换之，这就是替换(Cache replacement)策略。本节主要介绍几种最常用的替换算法。

3.1 近期最少使用法

近期最少使用法(Least Recently Used, LRU)会选择最近被使用次数最少的Cache line，因此这个算法需要追踪每个Cache line的使用情况，这需要为每个Cache line都设置一个年龄(age)部分，每次当一个Cache line被访问时，它对应的年龄部分就会增加，或者减少其它Cache line的年龄值，这样当进行替换时，年龄值最小的那个Cacheline就是被使用次数最少的了，会选择它进行替换。

图11为LRU算法的工作流程。



图11 LRU算法的工作流程

3.2 替换策略

在处理器中，Cache的替换算法一般都是使用硬件来实现的，因此如果做得很复杂，会影响处理器的周期时间，于是就有了随机替换(Random Replacement)的实现方法，这种方法不再需要记录每个way的年龄信息，而是随机地选择一个way进行替换，相比于LRU替换方法来说，这种方法确实的频率会更高一些，但是随着Cache容量的增大，这个差距是越来越小的。

当然，在实际的设计中很难实现严格的随机，一般采用一种称为时钟算法(Clock algorithm)的方法来实现近似的随机，它的工作原理本质上就是一个计数器，这个计数器一直在运转，例如每周期加1，计数器的宽度由Cache的相关度，也就是way的个数来决定，例如一个八路组相连的结构的Cache，则计数器的宽度需要三位，每次当Cache中的某个line需要被替换时，就会访问这个计数器，使用计数器当前的值，从被选定的Cache Set中找到要替换的line，这样就近似地实现了一种随机的替换，这种方法从理论上来说，可能并不能获得最优化的结果，但是它的硬件复杂度比较低，也不会损失过多的性能，因此综合来看是一种不错的折中方法。









审核编辑：刘清