JEP 460: Vector API (Seventh Incubator)

Аннотация

Ввести API для выражения векторных вычислений, которые во время выполнения надёжно компилируются в оптимальные векторные инструкции на поддерживаемых архитектурах CPU. Так достигается 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. Следующие этапы в статусе Incubator были предложены в JEP 414 (интегрирован в JDK 17), JEP 417 (JDK 18), JEP 426 (JDK 19), JEP 438 (JDK 20) и JEP 448 (JDK 21).

Этот JEP предлагает снова выпустить API в статусе Incubator в JDK 22 с небольшими улучшениями API по сравнению с JDK 21. Реализация включает исправления ошибок и улучшения производительности. Мы вносим следующие заметные изменения:

• Поддержка векторного доступа к MemorySegment в куче, которые опираются на массив любого примитивного типа элементов. Раньше доступ был ограничен MemorySegment в куче, опирающимися на массив byte.

Цели

• Понятный и лаконичный API — API должен позволять понятно и лаконично выражать широкий спектр векторных вычислений, состоящих из последовательностей векторных операций, собранных в циклы, возможно с управляющей логикой. Должна быть возможность выразить вычисление, обобщённое по размеру вектора, то есть по числу линий (lanes) в векторе, чтобы такие вычисления были переносимы между аппаратными платформами с разными размерами векторов.

• Независимость от платформы — API должен быть независим от архитектуры CPU, чтобы его можно было реализовать на нескольких архитектурах, поддерживающих векторные инструкции. Как обычно для Java API, если оптимизация под платформу и переносимость противоречат друг другу, мы будем склоняться к 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 компилятор 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 нужных инструкций. В таких случаях реализация Vector API должна плавно деградировать и продолжать работать. Это может включать выдачу предупреждений, если векторное вычисление невозможно эффективно скомпилировать в векторные инструкции. На платформах без векторов плавная деградация будет давать код, сопоставимый по производительности с циклами, развёрнутыми вручную, где коэффициент развёртывания равен числу линий в выбранном векторе.

• Согласованность с проектом Valhalla — Долгосрочная цель Vector API — использовать улучшения объектной модели Java из проекта Valhalla. Прежде всего это будет означать, что нынешние классы, основанные на значениях, в Vector API станут Value Classes (классы-значения), чтобы программы могли работать с Value Objects (объекты-значения), то есть с экземплярами классов, у которых нет Identity (идентичность объекта). Соответственно, Vector API будет оставаться в статусе Incubator на протяжении нескольких выпусков, пока нужные 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 к их использованию, 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 CPU, 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.

• Гарантировать поддержку строгих вычислений с плавающей точкой, которую 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 расхождения будут чётко задокументированы. Это ограничение не исключает возможностей выражать или контролировать требуемую точность или воспроизводимость векторных вычислений с плавающей точкой.

Мотивация

Векторное вычисление состоит из последовательности операций над векторами. Вектор состоит из (обычно) фиксированной последовательности скалярных значений, число которых соответствует числу векторных линий, определённых аппаратурой. Бинарная операция, применённая к двум векторам с одинаковым числом линий, для каждой линии применяет эквивалентную скалярную операцию к двум соответствующим 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, а те затем отображаются на векторные инструкции. Набор преобразуемых скалярных операций ограничен и, кроме того, чувствителен к изменениям в форме кода. Более того, может использоваться лишь часть доступных векторных инструкций, что ограничивает производительность генерируемого 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 быть 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: он даёт способ писать сложные векторные алгоритмы на Java, используя существующий автовекторизатор HotSpot, но с моделью для пользователя, при которой векторизация становится гораздо более предсказуемой и надёжной. Векторные циклы, написанные вручную, могут выражать высокопроизводительные алгоритмы, например векторизованный hashCode или специализированные сравнения массивов, которые автовекторизатор, возможно, никогда не оптимизирует. Этот явный векторный API может быть полезен во многих областях, включая машинное обучение, линейную алгебру, криптографию, финансы и код самого JDK.

Описание

Вектор представлен абстрактным классом Vector<E>. Переменная типа E конкретизируется упакованным типом скалярных примитивных целочисленных типов или типов с плавающей точкой элементов, которые содержит вектор. У вектора также есть форма, определяющая размер вектора в битах. Форма вектора определяет, как экземпляр Vector<E> отображается на аппаратный векторный регистр, когда векторные вычисления компилируются компилятором HotSpot C2. Длина вектора, то есть число линий или элементов, равна размеру вектора, делённому на размер элемента.

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

Поддерживаемый набор форм соответствует размерам векторов 64, 128, 256 и 512 бит, а также max бит. Форма размером 512 бит может упаковать byte в 64 линии или int в 16 линий, и вектор такой формы может обрабатывать 64 byte или 16 int за раз. Форма max бит поддерживает максимальный размер вектора текущей архитектуры. Это обеспечивает поддержку платформы ARM SVE, реализации которой 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 ранний 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 классом 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.

• Межлинейная (cross-lane) операция применяет операцию ко всему вектору целиком. Межлинейная операция возвращает либо скаляр, либо вектор, возможно, другой формы. Межлинейные операции далее делятся на операции перестановки и операции свёртки.

Чтобы уменьшить поверхность API, мы определяем обобщённые методы для каждого класса операций. Эти методы принимают на вход константы операторов; эти константы — экземпляры класса VectorOperator.Operator, определённые в статических финальных полях класса VectorOperators. Для удобства мы определяем отдельные методы, которые можно использовать вместо обобщённых, для некоторых распространённых полнофункциональных операций, таких как сложение и умножение.

Некоторые операции над векторами, такие как преобразование и реинтерпретация, по своей природе меняют форму, то есть возвращают векторы, формы которых отличаются от форм их входных данных. Операции, меняющие форму, в векторном вычислении могут негативно влиять на переносимость и производительность. Поэтому там, где это применимо, API определяет инвариантный к форме вариант каждой операции, меняющей форму. Для наилучшей производительности разработчикам следует по возможности писать инвариантный к форме код с помощью инвариантных к форме операций. Операции, меняющие 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, есть шесть абстрактных подклассов Vector<E>, по одному на каждый поддерживаемый тип элементов: ByteVector, ShortVector, IntVector, LongVector, FloatVector и DoubleVector. Эти подклассы для конкретных типов определяют дополнительные операции, привязанные к типу элементов, поскольку сигнатура метода ссылается либо на тип элементов, либо на соответствующий тип массива. Примеры таких операций — свёртка (например, суммирование всех линий 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 подклассы Vector<E> для конкретных типов далее расширяются конкретными подклассами для разных форм векторов. Эти конкретные подклассы не являются публичными, поскольку нет необходимости предоставлять операции, специфичные для сочетания типов и форм. Благодаря этому поверхность API сводится к сумме аспектов, а не к их произведению. Экземпляры конкретных классов Vector получают через фабричные методы, определённые в базовом классе Vector<E> и его подклассах для конкретных типов. Эти фабрики принимают на вход вид нужного экземпляра вектора и создают различные экземпляры, например экземпляр вектора, элементы которого имеют значения по умолчанию (то есть нулевой вектор), или экземпляр вектора, инициализированный из заданного массива.

Для поддержки управляющей логики некоторые векторные операции могут дополнительно принимать маски, представленные публичным абстрактным классом VectorMask<E>. Каждый элемент маски — логическое значение, соответствующее линии вектора. Маска выбирает линии, к которым применяется операция: операция применяется, если элемент маски для линии равен true, а если он равен false, выполняется какое-либо 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 относительно формы. 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, а операция, принимающая маску, в общем случае 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, то есть длине вида. Он загружает векторы float заданного вида из массивов a и b по соответствующему индексу, последовательно выполняет арифметические операции, а затем сохраняет результат в массив c. Если после последней итерации остаются элементы массива, то 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 с использованием прототипа Vector API и реализации из ветки vectorIntrinsics репозитория разработки проекта Panama. Эти горячие участки сгенерированного машинного кода явно транслируются 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 объекты Java 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 было бы написать 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 подаётся на вход 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 о выходе за границы, поскольку маска предотвращает доступ к массиву за пределами его длины.

Мы бы предпочли, чтобы разработчики писали в показанном выше стиле для всех поддерживаемых платформ и достигали оптимальной производительности, но сегодня на платформах без предикатных регистров такой подход не оптимален. Теоретически компилятор C2 можно было бы улучшить так, 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 работоспособна, 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, когда они доступны.

Чтобы избежать взрывного роста числа интринсиков C2, мы определяем обобщённые интринсики, соответствующие различным видам операций, таким как унарные, бинарные, преобразования и т. д., которые принимают параметр, описывающий конкретную выполняемую операцию. Примерно двадцать пять новых интринсиков обеспечивают интринсификацию всего API.

Мы ожидаем, что в конечном счёте объявим векторные классы как Value Classes, как предложено проектом Valhalla (JEP 401). Пока же Vector<E> и его подклассы считаются value-based-классами, поэтому следует избегать операций над их экземплярами, зависящих от Identity. Хотя векторные экземпляры абстрактно 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 соответствующего размера. C2 обрабатывает векторные экземпляры особым образом, чтобы обойти ограничения escape-анализа и избежать упаковки (boxing). В будущем мы согласуем эту особую обработку с Value Objects проекта Valhalla.

Интринсики Intel SVML для трансцендентных операций

Vector API поддерживает трансцендентные и тригонометрические поэлементные (lanewise) операции над векторами чисел с плавающей точкой. На x64 мы используем библиотеку Intel Short Vector Math Library (SVML), чтобы предоставить оптимизированные встроенные реализации таких операций. Встроенные операции имеют те же численные свойства, 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, специфичную для SVML. Эта библиотека довольно велика: она весит чуть меньше мегабайта. Если образ JDK, собранный с помощью jlink, не включает модуль jdk.incubator.vector, то 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 немалого объёма 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 подходящую процедуру-заглушку в зависимости от операции и вида вектора (то есть типа элементов и формы).

Если в будущем проект Panama расширит поддержку нативных соглашений о вызовах, включив поддержку векторных значений, то реализация Vector API, возможно, сможет загружать библиотеку SVML из внешнего источника. Если такой подход не повлияет на производительность, то больше не потребуется включать SVML в виде исходного кода и собирать её в составе JDK. До тех пор мы считаем описанный выше подход приемлемым с учётом потенциального прироста производительности.

Дальнейшая работа

• Как упомянуто выше, мы ожидаем, что в конечном счёте объявим 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, такой как 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 binary16 с плавающей точкой (значений float16). Это также зависит от проекта Valhalla: потребуется представить значение float16 в виде Value Objects с оптимизированным размещением 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. Кроме того, она всё равно была бы ненадёжной и ограниченной по сравнению с Vector API, 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 пользовательских циклов, если только пользователь не уделяет необычайно пристального внимания неписаным соглашениям о том, какие именно циклы компилятор готов автовекторизовать. Слишком легко написать цикл, который не удаётся 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 только 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, а векторные вычисления эффективно отображаются на векторные инструкции. Скорее всего, это будут микробенчмарки JMH, но также потребуются более реалистичные примеры полезных алгоритмов. Такие тесты поначалу могут находиться в репозитории конкретного проекта. Учитывая количество тестов и способ их генерации, перед интеграцией в основной репозиторий, вероятно, потребуется их отбор.

Риски и допущения

• Существует риск, что API будет смещён в сторону функциональности SIMD, поддерживаемой на архитектурах x64, но он снижается благодаря поддержке AArch64. Это касается главным образом явно фиксированного набора поддерживаемых форм, который мешает писать алгоритмы в виде, обобщённом относительно формы. Мы считаем, что большинство других операций Vector API ориентированы на переносимые алгоритмы. 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 частями HotSpot, специфичными для ARM.

• Vector API использует типы-обёртки (например, Integer) в качестве заменителей примитивных типов (например, int). Это решение вынуждено текущими ограничениями обобщённых типов (generics) Java, которые враждебны к примитивным типам. Когда проект Valhalla в конце концов предложит более мощные обобщённые типы, текущее решение будет выглядеть неудобным и, вероятно, его потребуется изменить. Мы предполагаем, что такие изменения будут возможны без чрезмерной потери обратной совместимости.