超标量处理器设计笔记(10) 寄存器重命名过程的恢复、分发

重命名

  • 寄存器重命名过程的恢复
    • [使用 Checkpoint 对 RAT 进行恢复](#使用 Checkpoint 对 RAT 进行恢复)
    • [使用 WALK 对 RAT 进行恢复](#使用 WALK 对 RAT 进行恢复)
    • [使用 Architecture State 对 RAT 进行恢复](#使用 Architecture State 对 RAT 进行恢复)
    • 总结
  • 分发(Dispatch)

寄存器重命名过程的恢复

当发生异常、分支预测失败时,指令占用 RAT、ROB 和 Issue Queue 等资源恢复

使用 Checkpoint 对 RAT 进行恢复

对一个正在工作的部件来说,两种方式

名字 随机访问的 GC 串行访问 GC
缩写 Random Access GC, RAGC Sequential Access GC,SAGC
区别 将整个内容放到任意 GC 中 逐步地移位才能放到指定的 GC 中
和主存储器连接方式 连接每个 GC 连接单个 GC
要求 驱动负载较大(接缓冲器) 恢复时,可能需要移位多次
选择 更合适
  • MBC(Main Bit Cell)
    • SRAM 最小存储单元
    • 两读一写
  • CBC(Checkpoint Bit Cell)
    • 一读一写

RAT 状态保存时(Allocation):将 MBC 的内容复制到指定的 CBC 中

RAT 状态恢复时( Restore ):将 CBC 的内容复制到指定的 MBC 中

使用 WALK 对 RAT 进行恢复

ROB 存储了这条指令前对应的物理寄存器,可以逐步倒退

当发现一条分支指令预测失败时,使用分支指令的编号,将流水线中所有相关指令都给抹除

同时暂停流水线,从 ROB 的底端开始(最新的指令),逐条将每条指令之前对应的映射关系写到 RAT 中。

  • 分支预测错误时,首先需要抹除流水线,需要逐个指令地进行恢复,需要消耗很多时间(增大分支预测失败的惩罚)
  • 异常时,只需要恢复,不需要抹掉指令(因为异常需要等到该指令变成最旧的指令时才进行)

占用资源少,可用于处理异常发生频率低的处理器

使用 Architecture State 对 RAT 进行恢复

处理器外部访问逻辑寄存器时,RAT 中存储的是未提交状态,所以不一定

例子:

指令 A 提交成功,此时访问 RAT r1 对应的是 P34,但 D 可能出现异常,由此外部不应该读取这个映射关系

因此在提交时,也使用一个 RAT,所有正确的流水线指令都会更新 RAT,称为 aRAT(architecture RAT)

利用 aRAT 也可以完成修复

  • 出现分支预测失败时,并不马上进行 RAT 状态修复,而是继续执行,直到运行到该分支指令变成最旧指令时,此时 aRAT 则是正确状态的指令

缺点

  • 流水线中存在 D-cache 缺失的 load 指令时,该分支指令需要等待很长时间才能顺利离开

总结

复位方式 Checkpoint WALK Architecture State
内容 将 RAT 内容复制出来 根据 ROB 序列完成删掉、恢复指令 等待分支指令成为最老指令 利用 ARAT 复制
占用资源 直接复制比较简单
处理速度 可能由于 D-cache 原因变慢
常用于 异常发生概率低的处理器中 不需要过多处理,降低功耗

分发(Dispatch)

经过重命名后,会进入

  • 队列
    • 发队队列 (out of order)
      • 大部分 FU (function Unit),等待操作数
    • 发射队列 (in order)
      • Store 指令和分支指令
  • 重排序缓存 (ROB)
    • 乱序执行的指令拉回到原始顺序,并且记录指令执行的状态(是否发生异常)
相关推荐
Moonnnn.10 分钟前
51单片机学习——动态数码管显示
笔记·嵌入式硬件·学习·51单片机
电棍2333 小时前
verilog笔记
笔记·fpga开发
让我安静会3 小时前
Obsidian·Copilot 插件配置(让AI根据Obsidian笔记内容进行对话)
人工智能·笔记·copilot
世事如云有卷舒4 小时前
FreeRTOS学习笔记
笔记·学习
羊小猪~~6 小时前
MYSQL学习笔记(九):MYSQL表的“增删改查”
数据库·笔记·后端·sql·学习·mysql·考研
yuanbenshidiaos7 小时前
【数据挖掘】数据仓库
数据仓库·笔记·数据挖掘
sealaugh328 小时前
aws(学习笔记第二十九课) aws cloudfront hands on
笔记·学习·aws
FakeOccupational9 小时前
【计算社会学】 多智能体建模 ABM Agent Based Modeling 笔记
笔记
夏莉莉iy9 小时前
[MDM 2024]Spatial-Temporal Large Language Model for Traffic Prediction
人工智能·笔记·深度学习·机器学习·语言模型·自然语言处理·transformer
StickToForever9 小时前
第4章 信息系统架构(三)
经验分享·笔记·学习·职场和发展