VectorBLAS簡介

VectorBLAS是一個(gè)使用Java語言實(shí)現(xiàn)的向量化BLAS高性能庫，目前已在openEuler社區(qū)開源。

VectorBLAS通過循環(huán)展開、矩陣分塊和內(nèi)存布局優(yōu)化等算法優(yōu)化，對(duì)BLAS函數(shù)進(jìn)行了深度優(yōu)化，并利用VectorAPI JDK提供的多種向量化API實(shí)現(xiàn)。

可以理解為：VectorBLAS = VectorAPI + BLAS。

BLAS簡介：

BLAS（Basic Linear Algebra Subprograms）是進(jìn)行向量和矩陣等基本線性代數(shù)操作的數(shù)值庫，是LAPACK(Linear Algebra Package)的一部分。

在高性能計(jì)算領(lǐng)域中被廣泛應(yīng)用，由此衍生出大量優(yōu)化版本，如OpenBLAS、Intel的Intel MKL等優(yōu)化版本。

主要支持三個(gè)級(jí)別的運(yùn)算：分別支持向量與向量、向量與矩陣、矩陣與矩陣的相關(guān)操作。

VectorAPI簡介：

VectorAPI是Java端為實(shí)現(xiàn)SIMD向量化功能提供的一個(gè)抽象層，從JDK16開始發(fā)布，目前已孵化到第六代(JDK21)。

VectorAPI提供的能力包括：

1. 定義更清晰及準(zhǔn)確的向量化API，使用戶更直接的實(shí)現(xiàn)向量化；

2. 與平臺(tái)無關(guān)：支持AArch64和x86等平臺(tái)，支持NEON、SVE、AVX等多種向量化指令，一份代碼多處可用；

應(yīng)用場(chǎng)景：

目前BLAS庫在大數(shù)據(jù)、HPC和機(jī)器學(xué)習(xí)等高性能計(jì)算中被廣泛使用。例如大數(shù)據(jù)組件`Spark`中的多種機(jī)器學(xué)習(xí)算法（如：`KMeans`、 `LDA`、 `PCA`、 `Bayes`、 `GMM`、 `SVM`等）都用到了BLAS函數(shù)接口`gemm`、 `gemv`、 `axpy`、 `dot`、 `spr`等。

主要優(yōu)化方法

1. VectorAPI向量化

BLAS庫中的函數(shù)分為矢量-矢量、矢量-矩陣、矩陣-矩陣的計(jì)算，其中多數(shù)場(chǎng)景為對(duì)數(shù)組、矩陣進(jìn)行計(jì)算，因此使用向量化進(jìn)行優(yōu)化，一次處理多個(gè)數(shù)據(jù)，提升效率，下面以daxpy函數(shù)為例：

daxpy => y = alpha * x + y, 其中alpha為常數(shù)，x和y為一維向量，數(shù)據(jù)類型均為double；

原生樸素實(shí)現(xiàn)：對(duì)x和y中的元素逐個(gè)計(jì)算；

向量化實(shí)現(xiàn)：以256位寬的寄存器為例，一次可以處理2個(gè)double類型，即一次對(duì)alpha、x和y做兩次乘加操作；

可以看出，向量化操作可以成倍的提升處理效率，目前的向量化寄存器有128、256、512等大小的位寬，SVE等指令集甚至最高可支持2048位。

2. 循環(huán)展開

循環(huán)展開是一種循環(huán)轉(zhuǎn)換技術(shù)， 通過減少或消除控制程序循環(huán)的指令，來減少計(jì)算開銷，這種開銷包括增加指向數(shù)組中下一個(gè)索引或者指令的指針?biāo)銛?shù)等，還可以減少循環(huán)的次數(shù)，每次循環(huán)內(nèi)的計(jì)算也可以利用CPU的流水線提升效率；

JDK中的JIT即時(shí)編譯器也有針對(duì)循環(huán)進(jìn)行自動(dòng)優(yōu)化，尤其是使用int, short, 或者char變量作為計(jì)數(shù)器的計(jì)數(shù)循環(huán)（counted loops）

VectorBLAS主要分析函數(shù)特性，通過把循環(huán)改造為counted loop，或手動(dòng)對(duì)關(guān)鍵循環(huán)進(jìn)行展開，以此提高執(zhí)行效率；

3. 矩陣分塊

矩陣分塊是一種cache優(yōu)化手段，當(dāng)數(shù)組、矩陣的規(guī)模較大的時(shí)候，在N層循環(huán)中的跨度太大時(shí)，無法`fit in the cache`，數(shù)據(jù)則會(huì)被清出了緩存，造成較高的`cache miss`率； 通過矩陣分塊，可以將小塊數(shù)據(jù)鎖在L1/L2 Cache中，提高cache命中，降低`cache miss`率。

4. Packing

Packing優(yōu)化又稱為內(nèi)存布局優(yōu)化，因矩陣在數(shù)組中一般是按列存儲(chǔ)或者按行存儲(chǔ)，若計(jì)算時(shí)不是按照整行整列的順序進(jìn)行，那么就需要跨列或跨行讀取數(shù)據(jù)。

Packing指的是在內(nèi)存中新開一塊空間，在這塊空間內(nèi)重新排布數(shù)據(jù)，使得數(shù)據(jù)的讀取可以變得連續(xù)，減少cache miss，提升讀取速度，Packing一般與矩陣分塊搭配使用。

性能數(shù)據(jù)

現(xiàn)有版本基于鯤鵬服務(wù)器測(cè)試驗(yàn)證，性能相較于業(yè)界同類庫F2jBLAS/ludovic.netlib都有提升，如下圖所示：

后續(xù)規(guī)劃

本項(xiàng)目已開源在openEuler社區(qū)，當(dāng)前版本實(shí)現(xiàn)了BLAS庫中的主要接口，后續(xù)規(guī)劃如下：

1. 支持Level1、Level2、Level3中更多的函數(shù)接口；

2. 補(bǔ)充完善UT和Benchmark；

3. 對(duì)于不同平臺(tái)/指令集的調(diào)優(yōu)；

4.結(jié)合Spark MLlib等機(jī)器學(xué)習(xí)算法庫進(jìn)行性能優(yōu)化。

審核編輯：湯梓紅