ClickHouse向量化执行漫谈SIMD、SSE指令集与 ClickHouse为何那么快？

不念不忘少年蓝@ 2021-09-25 04:40 206阅读 0赞

### 前言 ###

ClickHouse之所以会像闪电一样快（"blazing fast"），是多方面优化的结果，包括且不限于：高效且磁盘友好的列式存储，高效的数据压缩，精心设计的各类索引，并行分布式查询，运行时代码生成等。

另外，ClickHouse为了最大限度地压榨硬件——尤其是CPU——的性能，实现了**向量化查询执行**（vectorized query execution）机制。这个名词相对于上面的那些可能没那么平易近人，但它毫无疑问是CK相对于传统OLAP引擎的大杀器。鉴于现有资料中讲解CK向量化执行的内容很少，本文就来试图探究一下，先从基础知识SIMD说起。

### SIMD ###

SIMD即**"single instruction, multiple data"（单指令流多数据流）**，是Flynn分类法对计算机的四大分类之一。**它本质上是采用一个控制器来控制多个处理器，同时对一组数据中的每一条分别执行相同的操作，从而实现空间上的并行性的技术。**

可见，“单指令流”指的是同时只能执行一种操作，“多数据流”则指的是在一组同构的数据（通常称为vector，即向量）上进行操作，如下图所示，PU=processing unit。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTAwMDIxODQ_size_16_color_FFFFFF_t_70][]

SIMD在现代计算机的应用甚广泛，最典型的则是在GPU的像素处理流水线中。举个例子，如果要更改一整幅图像的亮度，只需要取出各像素的RGB值存入向量单元（向量单元很宽，可以存储多个像素的数据），再同时将它们做相同的加减操作即可，效率很高。SIMD和MIMD流水线是GPU微架构的基础，就不再展开聊了。

话说回来，CPU是如何实现SIMD的呢？答案是扩展指令集。Intel的第一版SIMD扩展指令集称为MMX，于1997年发布。后来至今的改进版本有SSE（Streaming SIMD Extensions）、AVX（Advanced Vector Extensions），以及AMD的3DNow!等。ClickHouse的向量化执行机制主要依赖于SSE指令集，下面简要介绍之。

### SSE指令集 ###

SSE指令集是MMX的继任者，其第一版早在Pentium III时代就被引入了。随着新指令的扩充，又有了SSE2、SSE3、SSSE3、SSE4（包含4.1和4.2）等新版本。我们可以通过cpuid类软件获得处理器对SSE指令集的支持信息，下图以笔者自用MacBook Pro中的Intel Core i9-9880H为例。

并不仅有Intel的处理器才支持SSE指令集，AMD的同样也支持。下图以笔者游戏PC中的AMD Ryzen 5 3600为例。

ClickHouse提供的检查CPU是否支持SSE4.2的命令如下。

grep -q sse4_2 /proc/cpuinfo && echo "SSE 4.2 supported" || echo "SSE 4.2 not supported"

SSE指令集以8个128位寄存器为基础，命名为XMM0~XMM7。在AMD64（即64位扩展）指令集中，又新增了XMM8~XMM15。一个XMM寄存器原本只能存储一种数据类型：

*  4个32位单精度浮点数

SSE2又扩展到能够存储以下类型：

*  2个64位双精度浮点数
 *  2个64位/4个32位/8个16位整数
 *  16个字节或字符

SSE的指令分为两大类，一是标量（scalar）指令，二是打包（packed）指令。标量指令只对XMM寄存器中的最低位数据进行计算，打包指令则是对所有数据进行计算。下图示出SSE1中，单精度浮点数乘法的标量和打包运算。

图来自http://www.songho.ca/misc/sse/sse.html，是一篇很好的SSE入门

观察指令名称，`mul`表示乘法，接下来的`s`表示标量，`p`表示打包，最后一个`s`则表示类型为单精度浮点数（single-precision）。由图也可以发现，打包指令才是真正SIMD的，而标量指令是SISD的。

再举个小栗子，如果我们要实现两个4维向量v1和v2的加法，只需要三条SSE指令就够了。

注意数据移动指令`movaps`中的`a`表示对齐（align）。第一条指令的意思就是通过`[v1]`直接寻址得到向量的起点，并分别按照0、4、8、16字节的偏移量写入XMM0寄存器的低到高四个域。在数据本身已经按照16字节对齐的情况下，调用这种指令效率非常高。从寄存器写入内存也是同理的，如下图。

那么如何利用SSE指令集呢？主要有以下3种方法：

*  直接编写（内嵌）汇编语句；
 *  利用厂商提供的扩展库函数。Intel将这类指令和函数统称为intrinsics，官方提供的速查手册[见这里][Link 1]；
 *  开启编译器的优化（`-msse`、`-msse2`等等），编译器会自动将符合条件的情景（如数组相加、矩阵相乘等）编译为intrinsic指令。

需要注意的是，SIMD和SSE虽然强大，但是对于那些严重依赖流程控制（flow-control-heavy）的任务，即有大量分支、跳转和条件判断的任务明显不太适用。也就是说，它们主要被用来优化可并行计算的简单场景，以及可能被频繁调用的基础逻辑。

说了这么多，可以进入ClickHouse的世界了。

### ClickHouse向量化执行示例 ###

编译器优化对笔者这种水平不高的人来说显然太难，所以还是去ClickHouse源码中寻找向量化执行的蛛丝马迹比较好。我们可以查找形如`#ifdef __SSE2__`的宏定义，或者根据手册查找intrinsic函数对应的头文件，如SSE4.1的头文件是`<smmintrin.h>`，以此类推。

为简单起见，选取两段应用了SSE2 intrinsics函数的示例来作分析。

计算Filter中1的数量

在ClickHouse的底层，过滤器（Filter）是一个预分配空间的、无符号8位整形数的数组，用于表示WHERE和HAVING子句的条件及真值，每一位的取值为0或1，即表示条件为假或真。Filter和列（IColumn）是共生的，在ColumnsCommon.cpp中，提供了通用的计算Filter中1的数量的方法，代码如下。

size_t countBytesInFilter(const IColumn::Filter & filt)
    {
        size_t count = 0;
    
        /** NOTE: In theory, `filt` should only contain zeros and ones.
          * But, just in case, here the condition > 0 (to signed bytes) is used.
          * It would be better to use != 0, then this does not allow SSE2.
          */
    
        const Int8 * pos = reinterpret_cast<const Int8 *>(filt.data());
        const Int8 * end = pos + filt.size();
    
    #if defined(__SSE2__) && defined(__POPCNT__)
        const __m128i zero16 = _mm_setzero_si128();
        const Int8 * end64 = pos + filt.size() / 64 * 64;
    
        for (; pos < end64; pos += 64)
            count += __builtin_popcountll(
                static_cast<UInt64>(_mm_movemask_epi8(_mm_cmpgt_epi8(
                    _mm_loadu_si128(reinterpret_cast<const __m128i *>(pos)),
                    zero16)))
                | (static_cast<UInt64>(_mm_movemask_epi8(_mm_cmpgt_epi8(
                    _mm_loadu_si128(reinterpret_cast<const __m128i *>(pos + 16)),
                    zero16))) << 16)
                | (static_cast<UInt64>(_mm_movemask_epi8(_mm_cmpgt_epi8(
                    _mm_loadu_si128(reinterpret_cast<const __m128i *>(pos + 32)),
                    zero16))) << 32)
                | (static_cast<UInt64>(_mm_movemask_epi8(_mm_cmpgt_epi8(
                    _mm_loadu_si128(reinterpret_cast<const __m128i *>(pos + 48)),
                    zero16))) << 48));
    
        /// TODO Add duff device for tail?
    #endif
    
        for (; pos < end; ++pos)
            count += *pos > 0;
    
        return count;
    }

`defined(__SSE2__)`说明当前环境支持SSE2指令集，而`defined(__POPCNT__)`说明支持硬件级位计数的`POPCNT`指令。下面根据手册简要介绍一下代码中涉及到的intrinsic函数：

*  `_mm_setzero_si128()`：初始化128位（16字节）的全0位图，即一个XMM寄存器。
 *  `_mm_loadu_si128(mem_addr)`：从内存地址mem\_addr处加载128位的整形数据。
 *  `_mm_cmpgt_epi8(a, b)`：按8位比较a和b两个128位整形数，若a的对应8位比b的对应8位大，则填充对应位为全1，否则填充全0。
 *  `_mm_movemask_epi8(a)`：根据128位整形数a的每个8位组的最高位创建掩码，一共16位长，返回int结果（高16位用0填充）。

最后，`__builtin_popcountll()`函数相当于直接调用`POPCNT`指令算出64位数的汉明权重。

由上可见，这个函数的每次循环都将连续64个Filter的真值数据（即Int8类型）压缩到一个UInt64中一起做位计数。其中每次调用上述指令都会处理16个Int8，正好是128位，SIMD的思想就是这样体现出来的。由于SSE指令集中没有真正的位运算指令，所以压缩的过程略显繁琐，但是仍然比笨方法（逐个遍历判断）效率高很多。

字符串大小写转换

ClickHouse的函数中也充分应用了SSE指令集，特别是字符串函数。以ASCII拉丁字符大小写转换函数（即`toLower()`和`toUpper()`）为例，其源码如下，位于LowerUpperImpl.h文件中。

template <char not_case_lower_bound, char not_case_upper_bound>
    struct LowerUpperImpl
    {
    // 略去
    private:
        static void array(const UInt8 * src, const UInt8 * src_end, UInt8 * dst)
        {
            const auto flip_case_mask = 'A' ^ 'a';
    
    #ifdef __SSE2__
            const auto bytes_sse = sizeof(__m128i);
            const auto src_end_sse = src_end - (src_end - src) % bytes_sse;
    
            const auto v_not_case_lower_bound = _mm_set1_epi8(not_case_lower_bound - 1);
            const auto v_not_case_upper_bound = _mm_set1_epi8(not_case_upper_bound + 1);
            const auto v_flip_case_mask = _mm_set1_epi8(flip_case_mask);
    
            for (; src < src_end_sse; src += bytes_sse, dst += bytes_sse)
            {
                /// load 16 sequential 8-bit characters
                const auto chars = _mm_loadu_si128(reinterpret_cast<const __m128i *>(src));
    
                /// find which 8-bit sequences belong to range [case_lower_bound, case_upper_bound]
                const auto is_not_case
                    = _mm_and_si128(_mm_cmpgt_epi8(chars, v_not_case_lower_bound), _mm_cmplt_epi8(chars, v_not_case_upper_bound));
    
                /// keep `flip_case_mask` only where necessary, zero out elsewhere
                const auto xor_mask = _mm_and_si128(v_flip_case_mask, is_not_case);
    
                /// flip case by applying calculated mask
                const auto cased_chars = _mm_xor_si128(chars, xor_mask);
    
                /// store result back to destination
                _mm_storeu_si128(reinterpret_cast<__m128i *>(dst), cased_chars);
            }
    #endif
    
            for (; src < src_end; ++src, ++dst)
                if (*src >= not_case_lower_bound && *src <= not_case_upper_bound)
                    *dst = *src ^ flip_case_mask;
                else
                    *dst = *src;
        }
    };

原理比较简单，就是利用flip\_case\_mask这个掩码来翻转字符的大小写（大小写字母的ASCII码值相差32）。not\_case\_lower\_bound和not\_case\_lower\_bound则用来标定转换的字符范围，比如a~z或A~Z。不过在SSE2的加持下，就可以一次性加载16个字符进行转换，同样是SIMD的思想，效率自然比普通的遍历高。由于每句话都有官方注释，就不再多废话了。

测试一下

将上面的LowerUpperImpl结构体拆出来，测试代码如下。

#include <iostream>
    #include <string>
    #include <vector>
    #include <chrono>
    using namespace std;
    using namespace std::chrono;
    
    #ifdef __SSE2__
    #include <emmintrin.h>
    #endif
    
    template <char not_case_lower_bound, char not_case_upper_bound>
    struct LowerUpperImpl {
      public:
      static void arraySSE(const char * src, const char * src_end, char * dst) {
        const auto flip_case_mask = 'A' ^ 'a';
    
    #ifdef __SSE2__
        const auto bytes_sse = sizeof(__m128i);
        const auto src_end_sse = src_end - (src_end - src) % bytes_sse;
    
        const auto v_not_case_lower_bound = _mm_set1_epi8(not_case_lower_bound - 1);
        const auto v_not_case_upper_bound = _mm_set1_epi8(not_case_upper_bound + 1);
        const auto v_flip_case_mask = _mm_set1_epi8(flip_case_mask);
    
        for (; src < src_end_sse; src += bytes_sse, dst += bytes_sse) {
          const auto chars = _mm_loadu_si128(reinterpret_cast<const __m128i *>(src));
    
          const auto is_not_case
                  = _mm_and_si128(_mm_cmpgt_epi8(chars, v_not_case_lower_bound), _mm_cmplt_epi8(chars, v_not_case_upper_bound));
    
          const auto xor_mask = _mm_and_si128(v_flip_case_mask, is_not_case);
    
          const auto cased_chars = _mm_xor_si128(chars, xor_mask);
    
          _mm_storeu_si128(reinterpret_cast<__m128i *>(dst), cased_chars);
        }
    #endif
    
        for (; src < src_end; ++src, ++dst)
          if (*src >= not_case_lower_bound && *src <= not_case_upper_bound)
            *dst = *src ^ flip_case_mask;
          else
            *dst = *src;
      }
    
      static void arrayNoSSE(const char * src, const char * src_end, char * dst) {
        const auto flip_case_mask = 'A' ^ 'a';
        for (; src < src_end; ++src, ++dst)
          if (*src >= not_case_lower_bound && *src <= not_case_upper_bound)
            *dst = *src ^ flip_case_mask;
          else
            *dst = *src;
      }
    };
    
    int main() {
      char src[261] = {'\0'};
      char dst[261] = {'\0'};
    
      for (int i = 0; i < 10; i++) {
        for (int j = 0; j < 26; j++) {
          src[i * 26 + j] = 'a' + j;
        }
      }
    
      LowerUpperImpl<'a', 'z'> lowerUpper;
    
      auto start1 = system_clock::now();
      for (int i = 0; i < 100; i++) {
        lowerUpper.arraySSE(&src[0], &src[261], &dst[0]);
      }
      auto end1 = system_clock::now();
      cout << dst << endl;
      auto duration1 = duration_cast<nanoseconds>(end1 - start1);
      cout << "Time cost: " << duration1.count() << " ns" << endl;
    
      auto start2 = system_clock::now();
      for (int i = 0; i < 100; i++) {
        lowerUpper.arrayNoSSE(&src[0], &src[261], &dst[0]);
      }
      auto end2 = system_clock::now();
      cout << dst << endl;
      auto duration2 = duration_cast<nanoseconds>(end2 - start2);
      cout << "Time cost: " << duration2.count() << " ns" << endl;
    }

很简单，就是将a~z重复10遍作为源字符串，将其分别用SSE和普通方式转换成大写100次，结果如下。

/Users/lmagic/workspace/CLionProjects/ssetest/cmake-build-debug/ssetest
    ABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZ
    Time cost: 18000 ns
    ABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZABCDEFGHIJKLMNOPQRSTUVWXYZ
    Time cost: 59000 ns

经过多次测试，不使用SSE的版本的耗时总是使用SSE的版本的3倍多。鉴于ClickHouse在很多地方都渗透了SIMD和SSE，积少成多，效率提升自然就非常可观了。

### The End ###

笔者并非精通C++和微处理器方面，写这篇文章只是觉得很有意思而已，看官随意看看就行了。

民那晚安晚安。

链接：https://www.jianshu.com/p/c36f4e142b8a

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTAwMDIxODQ_size_16_color_FFFFFF_t_70]: /images/20210923/60cd01b667464102bb6bec292f30d9ab.png
[Link 1]: https://links.jianshu.com/go?to=https%3A%2F%2Fsoftware.intel.com%2Fsites%2Flandingpage%2FIntrinsicsGuide%2F