Názory k článku
Emulace NUMA pro arm64 zvýší výkon Raspberry Pi 5 až o 18 %

Tak sa škrabem za hlavou a príjde mi to celé čudné. Neznamená to, že je nejaká chyba v správe pamäti, keď zapnutie emulácie zvýši výkon?

Nie priamo chyba, ale lepšie povedané "priestor na optimalizáciu".

Přesně, moje první (emocionální) reakce je spíš WTF :) Tak nějak na první dobrou mi přijde, že pokud do alokace a operace s pamětí ještě přidám další mechanismus, co řeší NUMA lokalitu, vzdálenost a vynutím prokládání na úrovni OS, které s sebou pak nutně nese další na adresace na modulech, tak by to mělo být pomalejší.
Za normálních okolností má LPDDR4 dva kanály (čtyři u větších modulů) a to prokládání si řeší paměťový řadič na SoC, transparentně pro OS. Ale nestudoval jsem, jak přesně je to udělané na BCM2721 resp. implementované na RPi5.
I kdybych předpokládal, že předběžné testy sedí, tak je mi stejně trochu divné, že když fikne spojitý paměťový prostor na čtvrtky a přidá další vrstvu prokládání, tak má téměř pětinu výkonu navíc.
Možná pro nějaký ucelenější přehled a srovnání by bylo zajímavé ozkoušet se stejnou verzí jádra jiná SoC (BCM na RPi 4, nějaké Exynosy třeba) a zahýbat i s dalšími věcmi, např. vypnout ASLR, otestovat větší množství procesů, workerů, co budou přistupovat do paměti atp.

A pak mě ještě napadá samozřejmě další aspekt. Pokud je to zrychlení vázané na vynucené prokládání.. nebylo by mnohem logičtější tedy tohle řešit u obsluhy konkrétního paměťového řadiče z jádra a směřovat případné optimalizace tam, než do toho tahat NUMU? Která má logicky spousty dalších jiných konsekvencí i na úrovni aplikací.

Viz info v odkazovaném článku na Phoronix:

Longer answer is that splitting the physical RAM into chunks, and utilising an allocation policy such as interleaving, can enable the BCM2721 memory controller to better utilise parallelism in physical memory chip organisation.

Ty RAM čipy jsou skutečně víc jak jeden a ten memory controller v čipu "na cenu" bude asi v optimu "výkon/cena" spíš blíž "cena". U silnějších procesorů ten rozdíl bude menší, takže nemá smysl se s tím delat.

Na RPi4 to zrychluje multi-core o asi 8%, single-core se zlepšilo asi jen o 1.5%. Na RPi5 mi nové jádro tuhne, dělám něco blbě.