CUDA 编程系列（六）《异步并行、底层控制与系统优化》
目录
延迟瓶颈与优化基础
1.延迟瓶颈（Latency-bounded）概念:
2.性能瓶颈识别方法:
3.硬件单元独立性:
存算重叠技术
1.核心概念:
2.实现方法:
3.硬件基础:
异步执行与流水线
1.异步编程模型:
2.生产者-消费者模型:
3.性能对比:
多流并行技术
1.流（Stream）概念:
2.流类型
3.多流并行
4.异步内存操作
统一内存管理
1.统一内存（Unified Memory）:
2.管理策略:
计算图优化
1.CUDA Graph 概念:
2.核心优势
3.工作流程
4.性能表现
多 GPU 协同计算
1.硬件互联结构:
2.协作方式
3.通信模式
优化指导原则
1.性能定律
2.优化哲学
总结
本文将深入讲解 CUDA 系统优化与高级技术，重点围绕延迟瓶颈的识别与优化展开。
延迟瓶颈与优化基础
1.延迟瓶颈（Latency-bounded）概念:
• 计算与访存利用率低，线程因等待长延迟操作而阻塞
2.性能瓶颈识别方法:
• 使用 NCU 分析工具识别瓶颈指标（如 Stall Long Scoreboard）
3.硬件单元独立性:
• 计算单元与访存单元属于不同的硬件执行单元，在满足依赖与调度条件时可实现一定程度的并行重叠。
存算重叠技术
1.核心概念:
• 访存与计算的时间重叠，实现延迟隐藏（Latency Hiding）
2.实现方法:
• 双缓冲（Double Buffering）：设置两个共享内存缓冲区
• 线程束特化（Warp Specialization）：不同 warps 承担不同角色（计算/访存）
3.硬件基础:
• SM 内多流水线并行执行能力
异步执行与流水线
1.异步编程模型:
• 核函数发射的异步特性
• CUDA Pipelining API
• memcpy_async 异步数据拷贝
2.生产者-消费者模型:
• Pipelining 工作流程：Creates→Acquire→Submit→Commit→Wait→Compute→Release
3.性能对比:
• 异步加载相比同步加载有显著性能提升
多流并行技术
1.流（Stream）概念:
• CUDA 中的执行队列（FIFO）
2.流类型
• 默认流（Default Stream）：在 Legacy 模式下与所有其他流隐式同步
• 显示流（Named Streams）：可创建的非阻塞流
3.多流并行
• 使用 cudaStreamCreateWithFlags 创建非阻塞流
• 通过 NVIDIA Nsight Systems 分析时间线
4.异步内存操作
• cudaMallocAsync/cudaMemcpyAsync 异步分配和拷贝
• 固定内存（Pinned Memory）与零拷贝技术
统一内存管理
1.统一内存（Unified Memory）:
• CPU/GPU 共享内存空间
2.管理策略:
• cudaMallocManaged 自动数据迁移
• 基于 Page Fault 的换页机制
• 优化 API：cudaMemAdvise 启发式策略、cudaMemPrefetchAsync 异步预取
计算图优化
1.CUDA Graph 概念:
• 将操作序列组织为有向无环图
2.核心优势
• 减少核函数启动开销
• 增强任务并行性与依赖性识别
• 避免重复工作
3.工作流程
• 流捕获→图创建→实例化→启动执行
4.性能表现
• 批量提交操作，消除执行间隙（Bubble）
多 GPU 协同计算
1.硬件互联结构:
• PCIe 树状连接 vs NVLink 网状连接
2.协作方式
• 点对点传输（P2P）与 RDMA 直接内存访问
• 统一内存跨设备访问
• NCCL 集合通信库
3.通信模式
• 点对点通信（Send/Receive）
• 集合通信（AllReduce等）
• 多进程/多线程环境下的 GPU 管理
优化指导原则
1.性能定律
• 阿姆达尔定律：串行部分限制加速上限
• 古斯塔夫森定律：扩大问题规模提升实际加速
2.优化哲学
• 优先解决性能瓶颈最大的环节，避免盲目优化
总结
本文深入探讨了 CUDA 系统级优化与高级技术，重点围绕延迟瓶颈的识别与优化展开，从单一 GPU 优化扩展到多 GPU 协同计算，下节课将详细介绍更加快速性能提升的方法，和高阶的优化方法。