JPEG 在 GPU 上压缩性能瓶颈分析

目前市面主流用于服务器进行计算的Tesla系列GPU，主要有K80，P4，P40，P100，M40，这些卡性能指标有着不同差异导致成本上也相差很多。

鉴于AI是当下最火的技术方向，GPU加速运算在这方面又有天然的优势，所以官方在介绍其性能差异时主要针对AI各个计算框架来展示其加速比。

而针对于图像压缩处理这样的场景来说，其计算量较AI又有着很大的差异。为此有必要针对于图像压缩处理这样的场景进行性能分析。

图像压缩流程

首先来看我们的应用的计算过程，部分代码在CPU上运行，部分代码在GPU上运行。在CPU和GPU上的数据需要通过PCIE在主存和显存之间进行交换。

数据交换阶段

以三通道的JPEG图像resize为例，从读取图片数据，解码数据，resize图像，编码图像，拼接图像的完整时序如下图所示：

进入GPU的第一步是图像huffman解码后的数据拷贝到显存，而拷贝是通过PCIE Bus来进行的。那么PCIE bus的bandwidth以及多卡时的物理拓扑就将决定数据拷贝延迟。

就目前我们配置的M40标准设备而言，GPU不直接与CPU相连，而是每两卡挂在pcie switch上，pcie switch再连接到CPU，”PLX Technology, Inc. PEX 8747 48-Lane, 5-Port PCI Express Gen 3 (8.0 GT/s)”

每个PEX 8747共五个端口，其中一个x16端口是和CPU做连接，剩下的四个端口用于连接GPU，我们拿到的设备每两卡挂一个switch，每卡的lane width为x16，理论传输带宽为16GB/s。 当配置4卡时，每卡的lane width为x8，理论传输带宽为8GB/s。switch与cpu之间的lane width为x16。

那么如果同时两卡或四卡有数据在CPU与GPU之间进行传输时。那么16GB/s的带宽将被共享。鉴于图片压缩这样的应用场景各个GPU之间无数据共享的需求，那么无需配置PCIE switch。

而采样GPU直连CPU这样的拓扑结构每张GPU能独占16GB/s的pcie传输带宽。M40/P4 实际测试单卡传输带宽双向12GB/s。而多卡共同传输时P4带宽下降不显著。

M40标准设备物理拓扑:

       GPU0    GPU1    GPU2    GPU3    GPU4    GPU5    GPU6    GPU7    CPU Affinity
GPU0     X      PIX     PHB     PHB     SOC     SOC     SOC     SOC     0-13,28-41
GPU1    PIX      X      PHB     PHB     SOC     SOC     SOC     SOC     0-13,28-41
GPU2    PHB     PHB      X      PIX     SOC     SOC     SOC     SOC     0-13,28-41
GPU3    PHB     PHB     PIX      X      SOC     SOC     SOC     SOC     0-13,28-41
GPU4    SOC     SOC     SOC     SOC      X      PIX     PHB     PHB     14-27,42-55
GPU5    SOC     SOC     SOC     SOC     PIX      X      PHB     PHB     14-27,42-55
GPU6    SOC     SOC     SOC     SOC     PHB     PHB      X      PIX     14-27,42-55
GPU7    SOC     SOC     SOC     SOC     PHB     PHB     PIX      X      14-27,42-55

Legend:

    X   = Self
    SOC  = Connection traversing PCIe as well as the SMP link between CPU sockets(e.g. QPI)
    PHB  = Connection traversing PCIe as well as a PCIe Host Bridge (typically the CPU)
    PXB  = Connection traversing multiple PCIe switches (without traversing the PCIe Host Bridge)
    PIX  = Connection traversing a single PCIe switch
    NV#  = Connection traversing a bonded set of # NVLinks

P4设备物理拓扑:

        GPU0    GPU1    CPU Affinity
GPU0     X      PHB     0-11,24-35
GPU1    PHB      X      0-11,24-35

Legend:

    X   = Self
    SOC  = Connection traversing PCIe as well as the SMP link between CPU sockets(e.g. QPI)
    PHB  = Connection traversing PCIe as well as a PCIe Host Bridge (typically the CPU)
    PXB  = Connection traversing multiple PCIe switches (without traversing the PCIe Host Bridge)
    PIX  = Connection traversing a single PCIe switch
    NV#  = Connection traversing a bonded set of # NVLinks

当在上述两者物理拓扑上进行图像压缩时，得到如下数据拷贝延迟数据ms(传递36MB的数据：分辨率单通道huffman解码后字宽采样因子，4032x3024x2x（1+0.25+0.25）)：

从上述实测延时上，也反映了M40这样的物理拓扑存在的带宽竞争问题。

数据计算阶段性能

不同型号的GPU其计算能力间存在一定的差异，性能指标上也有所不同。以下是nvidia给出的各卡之间浮点运算能力，显存大小，显存带宽，与CPU的连接方式，ECC，以及功耗做了对比。

而图像编解码压缩过程中对浮点运算性能要求不高，速度快慢与GPU的core数量有较大关系。在缩放阶段需要目标像素宽x高的gpu线程来处理目标像素的生成。

各卡的GPU core数目:

相对于机器学习的计算量，图像处理计算量就显得很少。上述GPU物理核心数量虽然各不相同相较于少量计算而言，虽然处理耗时上存在差异，但就图像压缩处理场景而言，并不构成主要矛盾。

以下是在M40和P4上实测得计算过程消耗时延ms:

由上述实测时延与GPU使用率分析，图像处理再GPU上的消耗相对较少不构成图像压缩处理的主要矛盾,那么对GPU的core 数目与浮点能力的要求就低很多。

测试过程中同样发现当单卡上的线程数目增加时,在kernel上运行的核函数增长会导致GPU上的kernel launch时间变长, 同时随着运行的卡的数目的增加，显存上内存分配释放的runtime api时延会呈现数量级的增长。经过与nvidia的同学交流，该问题主要与运行的卡数量和卡自身显存的大小有关系。

P4单卡单线程处理过程

单卡单线程，数据拷贝没有竞争，核函数执行阶段没有延迟，数据准备好之后就开始进行计算。

P4双卡每卡四线程处理过程

每卡四线程处理流之间对pcie形成竞争，launch核函数上也存在一定的延迟。

M40八卡每卡单线程处理过程

单机上运行的GPU卡越多,内存分配释放的runtime api层面的调用延时就增长的越迅速，成数量级增加远远的超过了正常计算时延。

整体影响因素和性能结论

通过上述分析，针对图片压缩处理这样计算量相对较小，数据拷贝频繁的应用场景，尽可能的减少pcie bus上的传输带宽的竞争。适当控制每卡上运行的处理流，单机配置少量的GPU卡， 尽可能的将动态分配的内存静态化，这样有利于在GPU利用率和处理时延上取得平衡。因为数据传输延迟远远大于实际计算延迟，所以我们倾向于将pcie bus的带宽跑满作为最大的处理量。 其次GPU的物理设备不需要最好的，普通的Tesla 系列GPU的计算性能已经能满足该场景下的计算加速,在物理拓扑上最好采用GPU直连CPU的模式与物理CPU均匀分配连接。

利用当前的M40架构，在GPU加速所取得的现网时延ms(编解码部分没放到GPU上进行)

当图像分辨率超过500x500之后，使用GPU进行图像压缩相对于纯CPU时延降低了50%以上。