高预测性SpMV算法

性能平均2.6倍于MKL

通过序列化访存与规则分支提升稀疏矩阵向量乘法的流水线和缓存效率，显著缓解现代CPU上的性能瓶颈。

Xia, Tian · Gelin, Fu · Shaoru, Qu · Zhongpei, Luo · 任鹏举

Jisuanji Yanjiu yu Fazhan/Computer Research and Development 2023

参数信息

平均加速比（对比Intel MKL）

2.6 ×

平均加速比（对比现有最佳SpMV算法）

1.3 ×

技术优势

内存访问更规律

通过创建序列化访问模式，提高了数据预取效率和缓存利用率。

分支预测更准

通过生成规则的分支模式，使分支预测更准确，从而提高流水线效率。

向量化执行充分

灵活利用SIMD指令优化并行执行，充分利用CPU的计算资源。

应用场景

• 科学计算：加速迭代求解与数值模拟，缩短科学计算任务周期。
• 并行计算：作为并行SpMV内核，可嵌入并行框架提升整体并行效率。
• 高性能计算：缓解内存带宽与流水线瓶颈，提高HPC应用的浮点吞吐。
• CPU优化：针对乱序CPU优化访存与分支，提升处理器利用率。