JEP 448: Vector API (Sixth Incubator)

Аннотация

Представить API для выражения векторных вычислений, которые во время выполнения надёжно компилируются в оптимальные векторные инструкции на поддерживаемых архитектурах процессоров и тем самым обеспечивают производительность выше, чем у эквивалентных скалярных вычислений.

История

Vector API был впервые предложен в JEP 338 и интегрирован в JDK 16 как API в статусе Incubator. Последующие итерации в статусе Incubator были предложены в JEP 414 (интегрирован в JDK 17), JEP 417 (JDK 18), JEP 426 (JDK 19) и JEP 438 (JDK 20).

Этот JEP предлагает снова включить API в JDK 21 в статусе Incubator с небольшими улучшениями API по сравнению с JDK 20. Реализация включает исправления ошибок и улучшения производительности. Мы вносим следующие заметные изменения:

• Добавить операцию исключающего ИЛИ (xor) для векторных масок.

• Повысить производительность векторных перестановок (shuffles), особенно когда они используются для переупорядочивания элементов вектора и при преобразовании между векторами.

Цели

• Понятный и лаконичный API — API должен позволять понятно и лаконично выражать широкий спектр векторных вычислений, состоящих из последовательностей векторных операций, скомпонованных в циклах и, возможно, с потоком управления. Должна быть возможность выразить вычисление, обобщённое относительно размера вектора, то есть количества дорожек (lanes) в векторе, чтобы такие вычисления были переносимы между аппаратными платформами, поддерживающими разные размеры векторов.

• Независимость от платформы — API должен быть независим от архитектуры процессора, чтобы его можно было реализовать на разных архитектурах, поддерживающих векторные инструкции. Как обычно для API Java, если оптимизация под платформу и переносимость противоречат друг другу, мы будем отдавать предпочтение переносимости API, даже если в результате некоторые платформенно-зависимые идиомы нельзя будет выразить в переносимом коде.

• Надёжная компиляция во время выполнения и производительность на архитектурах x64 и AArch64 — На подходящих архитектурах x64 среда выполнения Java, а именно компилятор HotSpot C2, должна компилировать векторные операции в соответствующие эффективные и производительные векторные инструкции, например поддерживаемые Streaming SIMD Extensions (SSE) и Advanced Vector Extensions (AVX). Разработчики должны быть уверены, что выраженные ими векторные операции будут надёжно и близко отображаться на соответствующие векторные инструкции. Аналогично, на подходящих архитектурах ARM AArch64 C2 будет компилировать векторные операции в векторные инструкции, поддерживаемые NEON и SVE.

• Плавная деградация — Иногда векторное вычисление нельзя полностью выразить во время выполнения в виде последовательности векторных инструкций, например потому, что архитектура не поддерживает некоторые из необходимых инструкций. В таких случаях реализация Vector API должна плавно деградировать и продолжать работать. Это может включать выдачу предупреждений, если векторное вычисление нельзя эффективно скомпилировать в векторные инструкции. На платформах без векторов плавная деградация даст код, сопоставимый по производительности с вручную развёрнутыми циклами, где коэффициент развёртывания равен количеству дорожек в выбранном векторе.

• Согласованность с проектом Valhalla — Долгосрочная цель Vector API — использовать улучшения объектной модели Java из проекта Valhalla. Прежде всего это будет означать преобразование текущих классов Vector API, основанных на значениях, в Value Classes (классы-значения), чтобы программы могли работать с Value Objects (объекты-значения), т. е. с экземплярами классов без Identity (идентичность объекта). Соответственно, Vector API будет оставаться в статусе Incubator на протяжении нескольких выпусков, пока необходимые возможности проекта Valhalla не станут доступны как возможности в статусе Preview (предварительная версия). Когда эти возможности Valhalla станут доступны, мы адаптируем Vector API и его реализацию для их использования, а затем переведём сам Vector API в статус Preview. Подробнее см. разделы о компиляции во время выполнения и о дальнейшей работе.

Что не является целью

• Улучшение существующего алгоритма автовекторизации в HotSpot не является целью.

• Поддержка векторных инструкций на архитектурах процессоров, отличных от x64 и AArch64, не является целью. Однако важно подчеркнуть, как сказано в целях, что API не должен исключать такие реализации.

• Поддержка компилятора C1 не является целью.

• Гарантированная поддержка строгих вычислений с плавающей точкой, которой платформа Java требует для скалярных операций, не является целью. Результаты операций с плавающей точкой над скалярами с плавающей точкой могут отличаться от результатов эквивалентных операций с плавающей точкой над векторами скаляров с плавающей точкой. Все отклонения будут чётко задокументированы. Этот пункт не исключает возможности выражать или контролировать требуемую точность или воспроизводимость векторных вычислений с плавающей точкой.

Мотивация

Векторное вычисление состоит из последовательности операций над векторами. Вектор представляет собой (как правило) фиксированную последовательность скалярных значений, число которых соответствует количеству аппаратно определённых векторных дорожек. Бинарная операция, применённая к двум векторам с одинаковым количеством дорожек, для каждой дорожки применяет эквивалентную скалярную операцию к соответствующим двум скалярным значениям из каждого вектора. Обычно это называют Single Instruction Multiple Data (SIMD).

Векторные операции выражают определённую степень параллелизма, благодаря которой за один такт процессора выполняется больше работы, и поэтому могут давать значительный прирост производительности. Например, если есть два вектора, каждый из которых содержит последовательность из восьми целых чисел (то есть восемь дорожек), их можно сложить одной аппаратной инструкцией. Инструкция векторного сложения обрабатывает шестнадцать целых чисел, выполняя восемь целочисленных сложений, за то время, которое обычно уходит на обработку двух целых чисел с одним целочисленным сложением.

HotSpot уже поддерживает автовекторизацию, которая преобразует скалярные операции в суперсловные (superword) операции, затем отображаемые на векторные инструкции. Набор преобразуемых скалярных операций ограничен и, кроме того, чувствителен к изменениям формы кода. Более того, может использоваться лишь часть доступных векторных инструкций, что ограничивает производительность сгенерированного кода.

Сегодня разработчику, который хочет писать скалярные операции, надёжно преобразуемые в суперсловные операции, нужно понимать алгоритм автовекторизации HotSpot и его ограничения, чтобы добиться надёжной и стабильной производительности. В некоторых случаях написать преобразуемые скалярные операции может оказаться невозможно. Например, HotSpot не преобразует простые скалярные операции вычисления хэш-кода массива (методы Arrays::hashCode) и не может автоматически векторизовать код лексикографического сравнения двух массивов (поэтому мы добавили интринсик для лексикографического сравнения).

Vector API призван улучшить ситуацию, предоставив способ писать сложные векторные алгоритмы на Java с использованием существующего автовекторизатора HotSpot, но с пользовательской моделью, которая делает векторизацию гораздо более предсказуемой и надёжной. Написанные вручную векторные циклы могут выражать высокопроизводительные алгоритмы, например векторизованный hashCode или специализированные сравнения массивов, которые автовекторизатор может так никогда и не оптимизировать. Этот явный векторный API может принести пользу во многих областях, включая машинное обучение, линейную алгебру, криптографию, финансы и код внутри самого JDK.

Описание

Вектор представлен абстрактным классом Vector<E>. Переменная типа E инстанцируется упакованным (boxed) типом скалярного примитивного целочисленного типа или типа с плавающей точкой, к которому относятся элементы вектора. У вектора также есть форма (shape), которая определяет размер вектора в битах. Форма вектора определяет, как экземпляр Vector<E> отображается на аппаратный векторный регистр, когда компилятор HotSpot C2 компилирует векторные вычисления. Длина вектора, т. е. количество дорожек или элементов, равна размеру вектора, делённому на размер элемента.

Поддерживаемый набор типов элементов (E): Byte, Short, Integer, Long, Float и Double, которые соответствуют скалярным примитивным типам byte, short, int, long, float и double соответственно.

Поддерживаемый набор форм соответствует размерам векторов 64, 128, 256 и 512 бит, а также max бит. Форма размером 512 бит может упаковать значения byte в 64 дорожки или значения int в 16 дорожек, и вектор такой формы может обрабатывать 64 значения byte или 16 значений int за раз. Форма max бит поддерживает максимальный размер вектора текущей архитектуры. Это обеспечивает поддержку платформы ARM SVE, где реализации платформы могут поддерживать любой фиксированный размер от 128 до 2048 бит с шагом 128 бит.

Мы считаем, что эти простые формы достаточно универсальны, чтобы быть полезными на всех актуальных платформах. Однако по мере экспериментов с будущими платформами, пока этот API находится в статусе Incubator, мы можем дополнительно изменить устройство параметра формы. Такая работа не входит в начальный объём этого проекта, но эти возможности отчасти определяют нынешнюю роль форм в Vector API. (Подробнее см. раздел о дальнейшей работе ниже.)

Сочетание типа элементов и формы определяет вид (species) вектора, представленный VectorSpecies<E>.

Операции над векторами делятся на поэлементные (lane-wise) и междорожечные (cross-lane).

• Поэлементная операция параллельно применяет скалярный оператор, например сложение, к каждой дорожке одного или нескольких векторов. Поэлементная операция обычно, но не всегда, даёт вектор той же длины и формы. Поэлементные операции далее делятся на унарные, бинарные, тернарные операции, операции проверки и операции преобразования.

• Междорожечная (cross-lane) операция применяется ко всему вектору. Результатом междорожечной операции является либо скаляр, либо вектор, возможно, другой формы. Междорожечные операции далее подразделяются на операции перестановки и редукции.

Чтобы уменьшить объём API, мы определяем коллективные методы для каждого класса операций. Эти методы принимают на вход константы операторов; эти константы являются экземплярами класса VectorOperator.Operator и определены в статических финальных полях класса VectorOperators. Для удобства мы определяем специальные методы, которые можно использовать вместо обобщённых, для некоторых распространённых полнофункциональных (full-service) операций, таких как сложение и умножение.

Некоторые операции над векторами, например преобразование и переинтерпретация, по своей природе изменяют форму, т. е. создают векторы, формы которых отличаются от форм их входных данных. Операции, изменяющие форму, в векторном вычислении могут негативно влиять на переносимость и производительность. Поэтому API, где это применимо, определяет не зависящий от формы вариант каждой операции, изменяющей форму. Для наилучшей производительности разработчикам следует по возможности писать не зависящий от формы код с использованием не зависящих от формы операций. Операции, изменяющие форму, отмечены как таковые в спецификации API.

Класс Vector<E> объявляет набор методов для распространённых векторных операций, поддерживаемых всеми типами элементов. Для операций, специфичных для типа элементов, существует шесть абстрактных подклассов Vector<E>, по одному для каждого поддерживаемого типа элементов: ByteVector, ShortVector, IntVector, LongVector, FloatVector и DoubleVector. Эти специфичные для типа подклассы определяют дополнительные операции, привязанные к типу элементов, поскольку сигнатура метода ссылается либо на тип элементов, либо на соответствующий тип массива. Примеры таких операций — редукция (например, суммирование всех дорожек в скалярное значение) и копирование элементов вектора в массив. Эти подклассы также определяют дополнительные полнофункциональные операции, специфичные для целочисленных подтипов (например, побитовые операции, такие как логическое ИЛИ), а также операции, специфичные для типов с плавающей точкой (например, трансцендентные математические функции, такие как возведение в степень).

С точки зрения реализации эти специфичные для типа подклассы Vector<E> дополнительно расширяются конкретными подклассами для разных форм векторов. Эти конкретные подклассы не являются публичными, поскольку нет необходимости предоставлять операции, специфичные для типов и форм. Благодаря этому объём API сводится к сумме аспектов, а не к их произведению. Экземпляры конкретных классов Vector получают с помощью фабричных методов, определённых в базовом классе Vector<E> и его специфичных для типа подклассах. Эти фабрики принимают на вход вид нужного экземпляра вектора и создают различные разновидности экземпляров, например экземпляр вектора, элементы которого имеют значения по умолчанию (т. е. нулевой вектор), или экземпляр вектора, инициализированный из заданного массива.

Для поддержки потока управления некоторые векторные операции могут дополнительно принимать маски, представленные публичным абстрактным классом VectorMask<E>. Каждый элемент маски — логическое значение, соответствующее дорожке вектора. Маска выбирает дорожки, к которым применяется операция: операция применяется, если элемент маски для дорожки равен true, а если он равен false, выполняется некоторое альтернативное действие.

Как и в случае векторов, экземпляры VectorMask<E> являются экземплярами непубличных конкретных подклассов, определённых для каждого сочетания типа элементов и длины. Экземпляр VectorMask<E>, используемый в операции, должен иметь тот же тип и ту же длину, что и экземпляры векторов, участвующие в операции. Операции сравнения векторов дают маски, которые затем можно передавать на вход другим операциям, чтобы выборочно работать с определёнными дорожками и тем самым эмулировать поток управления. Маски также можно создавать с помощью статических фабричных методов класса VectorMask<E>.

Мы ожидаем, что маски будут играть важную роль в разработке векторных вычислений, обобщённых по форме. Это ожидание основано на ключевой роли предикатных регистров (эквивалента масок) в ARM Scalable Vector Extensions и в Intel AVX-512.

На таких платформах экземпляр VectorMask<E> отображается на предикатный регистр, а операция, принимающая маску, компилируется в векторную инструкцию, принимающую предикатный регистр. На платформах, которые не поддерживают предикатные регистры, применяется менее эффективный подход: экземпляр VectorMask<E> по возможности отображается на совместимый векторный регистр, и в общем случае операция, принимающая маску, составляется из эквивалентной операции без маски и операции смешивания (blend).

Для поддержки операций перестановки между дорожками (lanes) некоторые векторные операции принимают перестановки (shuffles), представленные публичным абстрактным классом VectorShuffle<E>. Каждый элемент перестановки — это значение int, соответствующее индексу дорожки. Перестановка — это отображение индексов дорожек, описывающее перемещение элементов дорожек из заданного вектора в результирующий вектор.

Как и в случае векторов и масок, экземпляры VectorShuffle<E> являются экземплярами непубличных конкретных подклассов, определённых для каждого сочетания типа элементов и длины. Экземпляр VectorShuffle<E>, используемый в операции, должен иметь тот же тип и ту же длину, что и экземпляры векторов, участвующие в операции.

Пример

Вот простое скалярное вычисление над элементами массивов:

void scalarComputation(float[] a, float[] b, float[] c) {
   for (int i = 0; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
   }
}

(Мы предполагаем, что массивы-аргументы имеют одинаковую длину.)

Вот эквивалентное векторное вычисление с использованием Vector API:

static final VectorSpecies<Float> SPECIES = FloatVector.SPECIES_PREFERRED;

void vectorComputation(float[] a, float[] b, float[] c) {
    int i = 0;
    int upperBound = SPECIES.loopBound(a.length);
    for (; i < upperBound; i += SPECIES.length()) {
        // FloatVector va, vb, vc;
        var va = FloatVector.fromArray(SPECIES, a, i);
        var vb = FloatVector.fromArray(SPECIES, b, i);
        var vc = va.mul(va)
                   .add(vb.mul(vb))
                   .neg();
        vc.intoArray(c, i);
    }
    for (; i < a.length; i++) {
        c[i] = (a[i] * a[i] + b[i] * b[i]) * -1.0f;
    }
}

Сначала мы получаем из FloatVector предпочтительный вид (species), форма которого оптимальна для текущей архитектуры. Мы сохраняем его в поле static final, чтобы компилятор времени выполнения рассматривал это значение как константу и поэтому мог лучше оптимизировать векторное вычисление. Затем основной цикл проходит по входным массивам с шагом, равным длине вектора, т. е. длине вида. Он загружает векторы float заданного вида из массивов a и b по соответствующему индексу, в текучем стиле выполняет арифметические операции и затем сохраняет результат в массив c. Если после последней итерации остаются элементы массива, результаты для этих хвостовых элементов вычисляются обычным скалярным циклом.

Эта реализация достигает оптимальной производительности на больших массивах. Компилятор HotSpot C2 генерирует на процессоре Intel x64 с поддержкой AVX машинный код, похожий на следующий:

0.43%  / │  0x0000000113d43890: vmovdqu 0x10(%r8,%rbx,4),%ymm0
  7.38%  │ │  0x0000000113d43897: vmovdqu 0x10(%r10,%rbx,4),%ymm1
  8.70%  │ │  0x0000000113d4389e: vmulps %ymm0,%ymm0,%ymm0
  5.60%  │ │  0x0000000113d438a2: vmulps %ymm1,%ymm1,%ymm1
 13.16%  │ │  0x0000000113d438a6: vaddps %ymm0,%ymm1,%ymm0
 21.86%  │ │  0x0000000113d438aa: vxorps -0x7ad76b2(%rip),%ymm0,%ymm0
  7.66%  │ │  0x0000000113d438b2: vmovdqu %ymm0,0x10(%r9,%rbx,4)
 26.20%  │ │  0x0000000113d438b9: add    $0x8,%ebx
  6.44%  │ │  0x0000000113d438bc: cmp    %r11d,%ebx
         \ │  0x0000000113d438bf: jl     0x0000000113d43890

Это вывод микробенчмарка JMH для приведённого выше кода, полученный с прототипом Vector API и реализацией из ветки vectorIntrinsics репозитория разработки проекта Panama. Эти горячие участки сгенерированного машинного кода явно показывают трансляцию в векторные регистры и векторные инструкции. Мы отключили развёртывание циклов (опцией HotSpot -XX:LoopUnrollLimit=0), чтобы трансляция была нагляднее; иначе HotSpot развернул бы этот код с помощью существующих оптимизаций циклов C2. Все выделения памяти под Java-объекты устранены.

(HotSpot способен автоматически векторизовать скалярное вычисление в этом конкретном примере и сгенерирует похожую последовательность векторных инструкций. Главное отличие в том, что автовекторизатор генерирует для умножения на -1.0f векторную инструкцию умножения, тогда как реализация Vector API генерирует векторную инструкцию XOR, которая инвертирует знаковый бит. Однако главная цель этого примера — представить Vector API и показать, как его реализация генерирует векторные инструкции, а не сравнить его с автовекторизатором.)

На платформах, поддерживающих предикатные регистры, приведённый выше пример можно записать проще, без скалярного цикла для обработки хвостовых элементов, по-прежнему достигая оптимальной производительности:

void vectorComputation(float[] a, float[] b, float[] c) {
    for (int i = 0; i < a.length; i += SPECIES.length()) {
        // VectorMask<Float>  m;
        var m = SPECIES.indexInRange(i, a.length);
        // FloatVector va, vb, vc;
        var va = FloatVector.fromArray(SPECIES, a, i, m);
        var vb = FloatVector.fromArray(SPECIES, b, i, m);
        var vc = va.mul(va)
                   .add(vb.mul(vb))
                   .neg();
        vc.intoArray(c, i, m);
    }
}

В теле цикла мы получаем зависящую от цикла маску, которая передаётся операциям загрузки и сохранения. Когда i < SPECIES.loopBound(a.length), маска m объявляет все дорожки установленными. На последней итерации цикла, когда SPECIES.loopBound(a.length) <= i < a.length и (a.length - i) <= SPECIES.length(), маска может объявить суффикс неустановленных дорожек. Операции загрузки и сохранения не будут выбрасывать исключения выхода за границы, поскольку маска не допускает обращения к массиву за пределами его длины.

Мы бы предпочли, чтобы разработчики писали в показанном выше стиле для всех поддерживаемых платформ и получали оптимальную производительность, но сегодня на платформах без предикатных регистров такой подход не оптимален. Теоретически компилятор C2 можно улучшить, чтобы он преобразовывал цикл, отделяя последнюю итерацию и убирая маску из тела цикла. Это остаётся областью для дальнейшего исследования.

Компиляция во время выполнения

У Vector API две реализации. Первая реализует операции на Java, поэтому она функциональна, но не оптимальна. Вторая определяет встроенные (intrinsic) векторные операции для компилятора времени выполнения HotSpot C2, чтобы он мог компилировать векторные вычисления в соответствующие аппаратные регистры и векторные инструкции, если они доступны.

Чтобы избежать взрывного роста числа intrinsic-функций C2, мы определяем обобщённые intrinsic-функции, соответствующие различным видам операций — унарным, бинарным, преобразованиям и т. д., — которые принимают параметр, описывающий конкретную выполняемую операцию. Интринсификацию всего API поддерживают около 25 новых intrinsic-функций.

В итоге мы рассчитываем объявить векторные классы как Value Classes, как предлагает проект Valhalla (см. Value Objects и JEP 401 (Implicit Value Object Creation)). Пока же Vector<E> и его подклассы считаются value-based classes (классами, основанными на значениях), поэтому следует избегать операций над их экземплярами, зависящих от Identity. Хотя абстрактно экземпляры векторов состоят из элементов в дорожках, C2 не скаляризует эти элементы — значение вектора рассматривается как единое целое, подобно int или long, и отображается на векторный регистр подходящего размера. C2 обрабатывает экземпляры векторов особым образом, чтобы обойти ограничения escape-анализа и избежать упаковки (boxing). В будущем мы согласуем эту особую обработку с Value Objects проекта Valhalla.

Intrinsic-функции Intel SVML для трансцендентных операций

Vector API поддерживает трансцендентные и тригонометрические поэлементные (lanewise) операции над векторами с плавающей точкой. На x64 мы используем Intel Short Vector Math Library (SVML), чтобы предоставить оптимизированные intrinsic-реализации таких операций. Intrinsic-операции обладают теми же численными свойствами, что и соответствующие скалярные операции, определённые в java.lang.Math.

Исходные файлы на ассемблере для операций SVML находятся в исходном коде модуля jdk.incubator.vector, в каталогах для конкретных ОС. Процесс сборки JDK компилирует эти исходные файлы для целевой операционной системы в разделяемую библиотеку SVML. Эта библиотека довольно велика: её размер чуть меньше мегабайта. Если в образ JDK, собранный с помощью jlink, не включён модуль jdk.incubator.vector, библиотека SVML в образ не копируется.

Сейчас реализация поддерживает только Linux и Windows. Поддержку macOS мы рассмотрим позже, поскольку подготовка исходных файлов на ассемблере с нужными директивами требует немалой работы.

Среда выполнения HotSpot попытается загрузить библиотеку SVML и, если она есть, привязать операции из библиотеки SVML к именованным процедурам-заглушкам (stub routines). Компилятор C2 генерирует код, вызывающий соответствующую заглушку в зависимости от операции и вида вектора (т. е. типа элементов и формы).

Если в будущем проект Panama расширит поддержку нативных соглашений о вызовах на векторные значения, реализация Vector API, возможно, сможет загружать библиотеку SVML из внешнего источника. Если такой подход не повлияет на производительность, больше не понадобится включать SVML в виде исходного кода и собирать её в составе JDK. До тех пор, учитывая потенциальный выигрыш в производительности, мы считаем описанный выше подход приемлемым.

Дальнейшая работа

• Как упоминалось выше, в итоге мы рассчитываем объявить векторные классы как Value Classes. О текущей работе по согласованию Vector API с Valhalla см. ветку lworld+vector репозитория кода проекта Valhalla. Кроме того, мы рассчитываем использовать обобщённую специализацию (generic specialization) Value Classes из проекта Valhalla, чтобы экземпляры Vector<E> были Value Objects, где E — примитивный класс, например int, а не его класс-обёртка Integer. Подтипы Vector<E> для конкретных типов, такие как IntVector, могут стать ненужными, когда появится обобщённая специализация по примитивным классам.

• Мы можем добавить поддержку векторов значений IEEE с плавающей точкой формата binary16 (значений float16). Это тоже зависит от проекта Valhalla: нужно представить значения float16 как Value Objects с оптимизированной раскладкой в массивах и полях и улучшить реализацию Vector API, чтобы она использовала аппаратные векторные инструкции для векторов значений float16. Исследовательскую работу см. в ветке vectorIntrinsics+fp16 репозитория кода Vector API проекта Panama.

• Мы рассчитываем улучшить реализацию, чтобы лучше оптимизировать циклы, содержащие векторизованный код, и в целом постепенно повышать производительность со временем.

• Мы также рассчитываем улучшить комбинаторные модульные тесты, чтобы они проверяли, что C2 генерирует аппаратные векторные инструкции. Сейчас модульные тесты без проверки предполагают, что многократного выполнения достаточно, чтобы C2 сгенерировал аппаратные векторные инструкции. Мы изучим возможность использовать IR Test Framework компилятора C2, чтобы кросс-платформенно проверять наличие векторных узлов в IR-графе (например, с помощью сопоставления с регулярными выражениями). Если этот подход окажется проблематичным, мы можем рассмотреть простейший подход, использующий флаг -XX:+TraceNewVectors, доступный только в непродуктовых сборках, для вывода векторных узлов.

• Мы оценим возможность определения синтетических форм векторов, чтобы лучше управлять развёртыванием циклов и матричными операциями, и рассмотрим подходящую поддержку алгоритмов сортировки и синтаксического разбора. (Подробнее см. эту презентацию.)

Альтернативы

Альтернативный подход — автовекторизация в HotSpot, но она потребовала бы значительной работы. Более того, по сравнению с Vector API она всё равно оставалась бы хрупкой и ограниченной, поскольку автовекторизацию при сложном потоке управления выполнить очень трудно.

В целом даже после десятилетий исследований — особенно для циклов по массивам в FORTRAN и C — похоже, что автовекторизация скалярного кода не является надёжной тактикой оптимизации произвольных циклов, написанных пользователем, если только пользователь не уделяет необычайно пристального внимания неписаным соглашениям о том, какие именно циклы компилятор готов автовекторизовать. Слишком легко написать цикл, который не удастся автовекторизовать по причине, которую ни один человек, читающий код, не сможет обнаружить. Годы работы над автовекторизацией, даже в HotSpot, оставили нам множество механизмов оптимизации, которые работают лишь в особых случаях. Мы хотим пользоваться этими механизмами чаще!

Тестирование

Мы разработаем комбинаторные модульные тесты, чтобы обеспечить покрытие всех операций для всех поддерживаемых типов и форм на различных наборах данных.

Мы также разработаем тесты производительности, чтобы убедиться, что цели по производительности достигнуты и векторные вычисления эффективно отображаются на векторные инструкции. Скорее всего, это будут микробенчмарки JMH, но потребуются и более реалистичные примеры полезных алгоритмов. Поначалу такие тесты могут находиться в репозитории конкретного проекта. Перед интеграцией в основной репозиторий их, вероятно, потребуется отобрать, учитывая количество тестов и способ их генерации.

Риски и допущения

• Существует риск, что API будет смещён в сторону SIMD-функциональности, поддерживаемой на архитектурах x64, но это смягчается поддержкой AArch64. В основном это относится к явно фиксированному набору поддерживаемых форм, который мешает писать алгоритмы в обобщённом по форме стиле. Мы считаем, что большинство остальных операций Vector API склоняют к переносимым алгоритмам. Чтобы снизить этот риск, мы будем учитывать другие архитектуры, в частности архитектуру ARM Scalar Vector Extension, модель программирования которой динамически подстраивается под единственную фиксированную форму, поддерживаемую оборудованием. Мы приветствуем и поощряем участие в этой работе участников OpenJDK, работающих над ARM-специфичными частями HotSpot.

• Vector API использует типы-обёртки (например, Integer) как заместители примитивных типов (например, int). Это решение вынужденное из-за текущих ограничений обобщённых типов Java, которые враждебны примитивным типам. Когда проект Valhalla в конце концов представит более мощные обобщённые типы, текущее решение будет выглядеть неудачным и, вероятно, его придётся изменить. Мы предполагаем, что такие изменения будут возможны без чрезмерной потери обратной совместимости.