正如 thiton 提到的,这段代码可能是 I/O 限制的。然而,如今许多计算机可能都配备了 SSD 和高吞吐量 RAID 磁盘。在这种情况下,您可以通过并行化来提高速度。此外,如果计算量很大,那么并行化会获胜。即使 I/O 由于带宽饱和而被有效串行化,您仍然可以通过将计算分配给多核来获得加速。
回到问题本身,您可以通过 OpenMP 并行化此循环。和stdin
,我不知道并行化,因为它需要顺序读取并且没有结束的先验信息。但是,如果您正在处理典型文件,则可以做到。
这是我的代码omp parallel
。我使用了一些 Win32 API 和 MSVC CRT:
void test_io2()
{
const static int BUFFER_SIZE = 1024;
const static int CONCURRENCY = 4;
uint64_t local_checksums[CONCURRENCY];
uint64_t local_reads[CONCURRENCY];
DWORD start = GetTickCount();
omp_set_num_threads(CONCURRENCY);
#pragma omp parallel
{
int tid = omp_get_thread_num();
FILE* file = fopen("huge_file.dat", "rb");
_fseeki64(file, 0, SEEK_END);
uint64_t total_size = _ftelli64(file);
uint64_t my_start_pos = total_size/CONCURRENCY * tid;
uint64_t my_end_pos = min((total_size/CONCURRENCY * (tid + 1)), total_size);
uint64_t my_read_size = my_end_pos - my_start_pos;
_fseeki64(file, my_start_pos, SEEK_SET);
char* buffer = new char[BUFFER_SIZE];
uint64_t local_checksum = 0;
uint64_t local_read = 0;
size_t read_bytes;
while ((read_bytes = fread(buffer, 1, min(my_read_size, BUFFER_SIZE), file)) != 0 &&
my_read_size != 0)
{
local_read += read_bytes;
my_read_size -= read_bytes;
for (int i = 0; i < read_bytes; ++i)
local_checksum += (buffer[i]);
}
local_checksums[tid] = local_checksum;
local_reads[tid] = local_read;
fclose(file);
}
uint64_t checksum = 0;
uint64_t total_read = 0;
for (int i = 0; i < CONCURRENCY; ++i)
checksum += local_checksums[i], total_read += local_reads[i];
std::cout << checksum << std::endl
<< total_read << std::endl
<< double(GetTickCount() - start)/1000. << std::endl;
}
这段代码看起来有点脏,因为我需要精确分配要读取的文件量。然而,代码相当简单。请记住的一件事是您需要有一个每线程文件指针。您不能简单地共享文件指针,因为内部数据结构可能不是线程安全的。此外,该代码可以通过以下方式并行化parallel for
。但是,我认为这种方法更自然。
简单的实验结果
我已测试此代码以读取 HDD (WD Green 2TB) 和 SSD (Intel 120GB) 上的 10GB 文件。
是的,使用 HDD 并没有获得任何加速。甚至观察到放缓。这清楚地表明该代码是 I/O 受限的。这段代码实际上没有任何计算。只是输入/输出。
然而,有了 SSD,我就有了加速1.2有 4 核。是的,加速比很小。但是,您仍然可以通过 SSD 获得它。而且,如果计算量增加一点(我只是放置一个非常短的忙等待循环),加速将是显着的。我能够获得 2.5 的加速。
总之,我建议您尝试并行化此代码。
另外,如果计算并不微不足道,我会推荐流水线。上面的代码只是简单的分成了几个大块,导致缓存效率很差。然而,管道并行化可能会产生更好的缓存利用率。尝试使用TBB进行管道并行化。它们提供了一个简单的管道构造。