从性能测试角度评估台湾服务器光算云i简介提供的浮点运算能力

1.

概述与测试目标

目标：评估光算云i简介（台湾机房）实例的CPU浮点性能（尤其是FP32/FP64）。小分段：1) 明确测试维度：单线程峰值、多线程/全核、NUMA影响；2) 选用工具：OpenBLAS + HPL（LINPACK）为主，补充micro-bench与系统监控；3) 准备数据：记录CPU型号、频率、内存拓扑、虚拟化类型。

2.

准备环境（系统与依赖）

步骤详解：1) 登录并更新：sudo apt update && sudo apt -y upgrade；2) 安装编译工具与MPI：sudo apt -y install build-essential git wget gcc gfortran libopenmpi-dev openmpi-bin numactl；3) 检查CPU特性：lscpu && cat /proc/cpuinfo，记下Stepping、AVX/AVX2/AVX512标志；4) 禁止省电模式（测试期间）：sudo cpupower frequency-set -g performance（若可用）。

3.

编译并安装OpenBLAS（优化BLAS实现）

操作步骤：1) 获取源码：git clone https://github.com/xianyi/OpenBLAS.git && cd OpenBLAS；2) 编译：make DYNAMIC_ARCH=1 NO_AFFINITY=1 USE_OPENMP=1 -j$(nproc)；3) 安装：sudo make PREFIX=/opt/openblas install；4) 环境变量：export LD_LIBRARY_PATH=/opt/openblas/lib:$LD_LIBRARY_PATH，并测试：python3 -c "import numpy; numpy.show_config()"（若使用numpy做对比）。

4.

下载并配置HPL（LINPACK）

详细步骤：1) 获取HPL：wget http://www.netlib.org/benchmark/hpl/hpl-2.3.tar.gz && tar xzf hpl-2.3.tar.gz && cd hpl-2.3；2) 编辑Makefile（选择Linux_GCC或自建Makefile），指定FFLAGS、CC、LINKER、LIBS（链接OpenBLAS库 -L/opt/openblas/lib -lopenblas -lpthread -lm）；3) 生成HPL.dat：在文件中设置Problem size N、NB、P、Q等。建议开始用较小的N（如N=10000）验证，随后通过经验法调优至接近内存限制的N（N ~ sqrt(0.8 * available_bytes / 8)）。

5.

运行测试：单节点与多线程配置

操作细节：1) 导出线程环境：export OMP_NUM_THREADS=<核数或1>；2) 用numactl绑定：numactl --physcpubind=+0-7 --membind=0 mpirun -np 1 ./xhpl（单进程全线程），或mpirun -np --bind-to core ./xhpl；3) 记录日志：./xhpl > hpl_run.log 2>&1；4) 多次运行取平均，变体：测试不同OPENBLAS_NUM_THREADS或OMP_NUM_THREADS组合、不同P×Q配置。

6.

微基准与系统级监控

小步骤：1) 使用OpenBLAS自带的测试（例：在examples目录运行sgemm测试）或用简单的C程序调用cblas_dgemm做单点测量；2) 使用perf/top/vmstat/iostat监控：sudo perf stat -e cpu-cycles,stalled-cycles-frontend,stalled-cycles-backend,fp_arith_inst_retired.scalar_double -p ；3) 记录温度与频率：watch -n1 "cat /proc/cpuinfo | grep \"MHz\"; sensors"；4) 注意频率降频（turbo throttling）对结果影响。

7.

计算理论峰值与结果解读

步骤说明：1) 计算理论峰值：每核峰值 = 核心频率(GHz) × 每周期浮点运算数（如AVX2 256-bit 可做4个FP64或8个FP32乘加 = 8 FLOPs/cycle）→ 全核峰值 = per-core × 核数；2) 用HPL结果（GFLOPS）/理论峰值得到效率百分比；3) 分析瓶颈：若效率低，检查内存带宽（使用stream基准）、NUMA绑定、内存页大页配置（hugepages）、编译选项或是否使用了向量指令。

8.

优化建议与常见问题处理

建议清单：1) 编译时开启DYNAMIC_ARCH与最高优化等级，使用正确的MKL/OpenBLAS绑定；2) 设置hugepages：sudo sysctl -w vm.nr_hugepages=128 && 在HPL运行前madvise/hugemem配置；3) 调整网络或I/O影响（若是分布式）；4) 若云提供商使用虚拟化，注意物理CPU争用，必要时联系厂商获取裸金属或CPU亲和保证。

9.

常见问答（1）

问：我如何快速估算一个光算云i实例的理论FP64峰值？ 答：先运行lscpu或cat /proc/cpuinfo得到每核频率（GHz）和核心数，查CPU手册确认每周期FP64的FLOPs（例如AVX2以FMA计4个乘加 = 8 FLOPs/cycle），然后：峰值(GFLOPS) = 频率(GHz) × FLOPs_per_cycle × 核心数。

10.

常见问答（2）

问：HPL跑不满核或结果忽高忽低怎么办？ 答：检查并固定CPU频率（performance governor），用numactl绑定线程与内存，设置OPENBLAS_NUM_THREADS与OMP_NUM_THREADS一致或按物理核心调整，启用hugepages并确认没有频率或温度降频。多次运行取平均减少抖动。

11.

常见问答（3）

问：测试时如何区分FP32与FP64性能？ 答：HPL默认是双精度(FP64)。要测试FP32，需使用针对单精度的基准（如sgemm微基准或将HPL源码改为单精度实现），或者使用深度学习基准（例如gemmbench或BLAS sgemm测试）来评估FP32吞吐。

文章标签：FLOPS HPL LINPACK OpenBLAS 光算云 台湾服务器 性能测试 浮点运算 更多»

来源：从性能测试角度评估台湾服务器光算云i简介提供的浮点运算能力