OpenEM 的全稱是Open Event Machine。是TI 針對嵌入式應用開發的multicore runtime system library。OpenEM 可以在多核上有效的調度，分發任務。它把任務調度給負載輕的核，進而實現動態的負載平衡。OpenEM 是基于TI Keystone 系列芯片的multicore Navigator 構建的，具有開銷小，效率高的特點。本文首先對OpenEM 的原理做了簡單的介紹。然后結合一個大矩陣乘的演示用例詳細介紹了OpenEM 的使用。最后通過量化分析這個演示用例的執行cycle 數，總結了OpenEM 的效率和局限。希望本文能成為學習OpenEM 的讀者的一個有用的參考。

1、OpenEM 簡介

OpenEM 的全稱是Open Event Machine。它是TI 開發的可應用于Keystone 多核DSP 的multicore runtime system library。OpenEM 的目的是在多核上有效的調度，分發任務，實現動態的負載平衡。基于OpenEM，用戶可以很容易的把原來的單核應用移植到Keystone 多核芯片。需要注意的是OpenEM 目前只能把任務調度分發到同一個DSP 的多個核上，不能跨DSP 調度分發。OpenEM不依賴于BIOS。它可以在芯片上裸跑，代碼精簡，效率高。而且，OpenEM不同于業界已經有OpenMP 和OpenCL 等開放式的multi-core runtime systems。它是針對嵌入式系統的設計，更能滿足嵌入式設計的實時性要求。TI 的keystone 架構多核芯片中有Multicore Navigator。它由Queue Manager(簡稱為QMSS)和一系列Packet DMA engine 構成。OpenEM就是基于這套硬件系統構建的。例如，OpenEM 的scheduler 是運行在QMSS 的PDSP(QMSS內部的RISC 處理器)上的。OpenEM的preload 功能是通過QMSS 的packet DMA 實現的。熟悉QMSS 的編程對學習OpenEM 很有幫助。OpenEM 是MCSDK 的一個組件。它還在不斷的發展改進中。本文對OpenEM 的介紹以及演示用例都是基于BIOS MCSDK 2.01.02 的OpenEM 1.0.0.2。

1.1 OpenEM 的軟件對象

下面通過列表和圖示介紹了OpenEM的主要軟件對象。表1 是OpenEM 的主要軟件對象的列表。

需要注意的是，本文介紹的OpenEM 的運行模式是：Scheduler 運行在PDSP，Dispatcher 是“run to completion ”模式。

圖1 是一個軟件對象關系圖，顯示出了表1 中列舉的軟件對象。定義了2 個queue group，5 個queue 和3 個execution object。Queue group1 的core mask 對應核0 和1。所以來自queue1，2，3，4 的event 只能在核0 和核1 上執行，因為這些queue 屬于queue group1。Queue group2 的core mask 對應核2 和3。所以來自queue5 的event 只能在核2 和核3 上執行，因為queue5 屬于queue group2。execution object 1 和queue 1,2,3 映射關聯。execution object 2 和queue 4 映射關聯。execution object 3 和queue 5 映射關聯。圖中的藍線表示了event 的行徑，紅線表示command 的行徑。圖中的SD queue 是hardware queue，它不是一個軟件對象而是OpenEM內部的組件。

1.2 OpenEM 的兩個重要概念

OpenEM中有兩個容易混淆的重要概念：prefetch 和preload。

• Prefetch 是指每個DSP 核向scheduler 發命令，告訴scheduler“本核已經空閑了，可以分配新的工作給本核了”。只有收到一個核的prefetch 命令，scheduler 才會調度新的event 給這個核。如果DSP 核不發出prefetch 命令，它就不會被分派任務。這是OpenEM 的scheduler的基本調度原則。

• Preload 和event 的屬性有關。通常，event 的數據是位于DDR 的。如果DSP 核直接訪問DDR 效率會比較低。所以，OpenEM 可以把event 的數據通過QMSS 的packet DMA 搬到DSP 核的local L2。這個搬移的過程就是preload。每個event 的數據是否做preload 是可配的。每個event 在創建的時候都可以指定一個preload 屬性。Event 的preload 屬性可以是：

– Preload disable, 即不做預搬移

– Preload up to sizeA，即做預搬移，但是最多只搬sizeA bytes

– Preload up to sizeB，即做預搬移，但是最多只搬sizeB bytes

– Preload up to sizeC，即做預搬移，但是最多只搬sizeC bytes

– 其中SizeA，SizeB 和SizeC 是常數，在OpenEM 初始化的時候可以配置。

1.3 OpenEM 的常用API cycle 數

OpenEM的附帶開銷是應用最關注特性之一。所以我們實測了OpenEM 常用API 的cycle 數如表2。需要注意的是：由于OpenEM會負責cache 一致性的維護，而有些API 的處理過程中含有cache 一致性的維護操作。所以這些API 的調用cycle 數很大程度上取決于它對多大的數據緩沖區做了cache 一致性的維護。本文測試這些cycle 的場景使用的數據緩沖區的大小是是4096 words(32bit)。

2、基于OpenEM 的大矩陣乘實現

大矩陣相乘的目的是計算X*Y = Z  

矩陣X 是(100 ×2048 )的浮點實數矩陣。

矩陣Y 是(2048 ×2048 )的浮點實數矩陣。

矩陣Z 是(100 ×2048 )的浮點實數矩陣。

由于矩陣Y 的數據量很大，所以在多核DSP 上可以把它拆分成多個子塊，交給多個DSP 核并行計算。如圖2 所示。

2.1 基于OpenEM 的大矩陣乘方案設計

2.1.1 Memory 使用

Shannon DSP (6678)的內存系統包括片內的LL2(local L2)和SL2(shared L2)。加上片外的DDR。LL2 的size 是512 Kbytes，每個核有一份LL2。SL2 的size 是4Mbytes，8 個核共享SL2。DDR size 和硬件板卡設計有關，一般在1G bytes 以上。C66x 核對LL2 的訪問效率最高，對SL2 的訪問效率稍差，對DDR 的訪問效率最低。基于多種存儲區間的不同特性，我們對數據存儲位置按如下規劃(參見圖3)：

– 矩陣X 的size 是800 Kbytes，存儲是shared L2

– 矩陣Y 的size 是16 Mbytes，存儲是DDR

– 矩陣Z 的size 是800 Kbytes，存儲是shared L2

雖然矩陣Y 存儲在DDR，但是我們啟用了OpenEM 的preload 功能。Preload 就是通過QMSS 的packet DMA 把待處理的event 數據(通常位于DDR)搬到被調度core 的LL2。所以DSP 核運行的時候不直接從DDR 取數。這保證了DSP 核的數據訪問效率。

2.1.2 處理流程

OpenEM中要有一個DSP 核作為主核，其他核就是從核，主核要完成的工作較多。本文的演示用例中，核0 是主核，核1～7 是從核。主從核的分工差異如圖4：

1. 初始化QMSS 和free pool。

2. OpenEM 的global 初始化和local 初始化。global 初始化是主核執行。local 初始化是每個核各自執行。Local 初始化要等global 初始化完成才能開始。所以，中間需要加一個barrier。Barrier 可以理解成一個同步點，所有DSP 核在這個點完成一次同步再繼續向下執行。本演示用例的Barrier 是通過共享內存的軟件信號量實現的。

3. 主核構造生產者/消費者場景并產生待處理的event。生產者在OpenEM 中不是一個軟件對象。我們可以把產生event 并發送到queue 的函數認為是生產者。消費者就是execution object，溝通生產者和消費者的管道就是queue。構造生產者/消費者場景就是創建execution object 和queue 并且把它們關聯起來。

4. 主核和從核進入event 處理的過程。

5. 主核檢測到所有event 都處理完成后為每個DSP 核（包括它自己）產一個exit job。

6. 主核和從核處理exit job。從核直接調用exit(0)退出。主核先做結果驗證然后調用exit(0)退出。

本文演示用例實現的幾個特點是：

• OpenEM 的free pool 是由用戶初始化的。在初始化free pool 的時候event 描述符不指向數據緩沖區。等分配了一個event 的時候再在這個event 對應的描述符上掛數據緩沖區。這樣可以避免不必要的數據拷貝(從global buffer 拷貝到event buffer)。

• 主核通過查詢free pool 中的event 個數是否恢復回初始值來判斷是否所有“矩陣乘event”都處理。因為：

– Free pool 在初始化以后有N 個free event，

– 從中分配了若干個event 后，free event 就減少了相應的個數，

– 每個core 每處理完一個event 就把這個event 回收到free pool，free pool 的event 個數就加一。當free pool 的event 個數恢復回N，就說明所有event 都處理完了。

2.2 基于OpenEM 的大矩陣乘實現

在初始化OpenEM之前首先要做multicore Navigator 的初始化。包括：PDSP firmware 的download，Link RAM 的初始化，Memory region 的初始化還有free pool (也就是free descriptorqueue)的初始化。這不屬于本文介紹的范疇，本文直接介紹OpenEM的初始化。

2.2.1 OpenEM 的Global 初始化

OpenEM的global 初始化通過調用API 函數ti_em_init_global()完成的。這個API 的入參是下面所示的結構體。其中所列的參數是本文的演示用例使用的配置參數。本文針對每個參數的作用做了注釋。了解了參數了含義，就能了解OpenEM 的global 初始化的大致做了些什么。

注釋：

1. OpenEM要使用hardware queue 資源。hw_queue_base_idx 用來指定OpenEM 從哪個hardware queue 開始可用。

2. OpenEM 的少量操作需要多DSP 核訪問共享的數據結構。是通過hardware semaphore 實現多核lock/unclock 的。所以通過hw_sem_idx 告訴OpenEM該使用哪一個hardware semaphore。

3. 指定preload 使用的QMSS packet DMA 的通道的起始索引。QMSS packet DMA 有32 個RX/TX channel。在OpenEM 中，每個DSP core 要占用一個TX/RX channel。

4. 指定preload 使用的QMSS Tx queues 的起始索引。要和dma_idx 對應起來。QMSS 有32 個TX queue，索引是800～831。對應QMSS packet DMA 的TX channel 0～31。所以，如果前面配置的dma_idx 是0，那么這里配置的dma_queue_base_idx 應該是800。

5. 指定OpenEM local free pool 對應的free queue index。Local free pool 是和preload 相關的。local free pool 在物理上是一個free descriptor queue。里面存儲著2 個host 描述符。每個描述符對應一個local L2 buffer。如果發生preload，packet DMA 就從free descriptor queue pop 描述符，然后把數據傳到描述符指向的local L2 buffer。每個DSP 核有一個local free pool。例如，在我們的演示用例中core0～7 對應的free descriptor queue 索引是2050～2057。

6. 指定OpenEM global free pool 的個數。每個global free pool 包括4 個初始化參數，例如{ globalFreePoolFdqIdx, TI_EM_COH_MODE_ON,TI_EM_BUF_MODE_GLOBAL_TIGHT,0}。參數1是這個global free pool 對應的free queue index。接下來幾項是這個pool 中的buffer 的屬性。Global free pool 是用來從中分配free event 的。調用em_alloc()的入參之一就是free pool index。

7. 配置preload 門限，參見本文1.2 節的敘述。

2.2.2 創建生產者/消費者場景

前面介紹過，在OpenEM 中，消費者就是execution object，溝通生產者和消費者的管道就是queue。本小節介紹怎樣創建execution object 和queue 以及怎樣把它們關聯起來。關于怎樣產生event，本文在下一小節描述。OpenEM 有下列API 供應用調用：

• 調用em_eo_create()可以創建execution object

• 調用em_queue_create()可以創建queue

• 調用em_eo_add_queue()可以把queue 和execution object 映射起來

本演示用例通過參數配置表列出execution object, queue group object 和queue object 的參數，然后通過解析函數解析配置表再調用OpenEM的API，這樣各個軟件對象的參數在配置表中一目了然，代碼的可讀性較好。圖5 是本演示用例的映射關系。

需要注意的是coremask 總共有64 個比特，但是目前6678 最多也只有8 個DSP 核。所以大量mask 比特是用不到的，目前。核0～7 對應的mask 比特是位于byte[4]的bit0：7

需要注意的是queue 到execution object 的映射是通過receiver 函數關聯起來，如紅色高亮顯示部分。

初始化job的偽代碼如下：

2.2.3 產生event

本文的演示用例把matrix Y 切分成了128 個2048*16 的子塊，每個event 對應一個子塊。Event被發送給execution object 以后，receive 函數計算Matrix X 乘與matrix Y block，即100*2048 ×2048*16 的矩陣乘，產生100*16 個輸出。event 的產生包括下面幾個簡單步驟：

• 調用em_alloc 函數，從public pool 獲取free 的event 描述符并且enable preloading。

• 把待處理的數據緩沖區掛到描述符上，也就是把描述符的buffer 指針指向這個數據緩沖區。

• 在描述符的software info 域填上job index。

• 調用em_send，把event 發送到對應的queue，也就是proc queue。

下面是產生event 的代碼：

需要注意的是Event 產生的時候，它被哪一個execution object 處理還沒有確定。因為execution object 只是和queue 關聯的。當把event 發送到一個queue 的時候，負責處理event 的execution object 就確定了。所以在調用em_send()發送event 到queue 的時候參數之一就是要發送到的queue 的handler。

2.2.4 運行和exit

如前所述，“矩陣乘event”是通過proc queue 發給scheduler 的，所以它被proc queue 映射到mat_mpy calc 這個execution object 上。Dispatcher 收到這個event 后就調用“mat_mpy calc”對應的receiver 函數計算矩陣相乘。因為proc queue 所屬的queue group 是映射到所有DSP 核的，所以128 個“矩陣乘event”是在所有核上并行處理的。每個核處理完event 后就把它釋放回global free pool。這樣這個event 又成為一個free 的event。

如2.2.3 節所述，主核可以通過查詢global free pool 的描述符個數是否恢復來判斷是否所有“矩陣乘event”已經處理完。

當所有“矩陣乘event”處理完后，主核再產生8 個“exit event”發送到exit queue。理論上scheduler 可以把exit job 調度給任意一個核，而不會保證每個核一個exit job。所以exit job 中的處理比較特殊。exit job 的receiver 函數直接執行系統調用exit(0)。這樣就不會返回到Dispatcher，也不會再發出prefetch command。而另一方面，scheduler 是在收到DSP 核的prefetch command 以后才把event 調度給這個核的。這個機制保證了每個核收到且僅收到一個“exit event”。

在exit job 的receiver 函數中，主核執行的分支稍有差異。主核需要先做完結果的校驗再執行系統調用exit(0)。所以在板上運行是會觀察到其他核很快(小于1s)就從run 狀態轉換到abort 狀態，而主核保持run 了很長時間(大約50s)才進入abort 狀態。原因是：在主核上執行結果驗證工作時產生校驗結果的函數計算耗時比較長。

下面是exit job 的receiver 函數的代碼主干：

2.3 基于OpenEM 的大矩陣乘性能測試結果

2.3.1 算法代碼和cycle 數的理論極限

設r1 是X 矩陣的行數，c1 是X 矩陣的列數，c2 是Y 矩陣的列數。在我們的演示用例中r1 =100, c1 = 2048, c2 = 2048。如前所述，Receiver 函數要計算100*2048 ×2048*16 的矩陣乘，對應下面的偽代碼：

循環內核是4 個cycle。如果只考慮循環內核消耗的cycle 數，計算100*2048 ×2048*16 的矩陣乘需要的cycle 數是100/2*16/2*2048/4*4 = 819,200 cycle。整個X*Y=Z 包括計算128 個這樣的矩陣乘。所以總的cycle 數是819,200*128 = 104,857,600 cycles。在1Ghz 的C66 核上這相當于104.8ms。但是我們的上述理論計算沒有考慮循環的前后綴消耗的cycle 數，也沒有考慮cache miss stall 的等待時間。在6678EVM 板的單個DSP 核上實測，計算X*Y=Z 消耗的實際時間是190,574,214 cycles。相當于190ms。

2.3.2 基于OpenEM 的性能測試結果

基于OpenEM的演示用例實現過程中，DSP 代碼中嵌入了少量測試代碼收集運行的cycle 信息。每個核把自己處理每個event 的起始和結束時間記錄在內存(我們通過一個全局timer 來保證所有DSP 核記錄的時間戳在時間軸上是同步的)。這些時間戳用CCS 存到主機做后處理分析。通過分析，我們可以得到8 個DSP 核并行處理消耗的時間。還可以分析每個DSP 核的忙/閑區間。

測試結果是，從第一個event 開始處理到最后一個event 處理完，總時間是31,433,438 cycle，也就是31.4ms。也就是說，通過OpenEM把單DSP 核的工作負載平衡到8 個DSP 核上能達到的DSP 核利用率是190,574,214/(31,433,438*8)= 76%。

通過對時間戳的處理我們得到下面的運行圖，“-”表示receiver 函數處理event 的區間，本文稱之為有效時間。“#”表示receiver 之外的區間（也就是代碼在dispatcher 中執行的區間），本文稱之為調度開銷。每個“-”和“#”刻度表示100,000 CPU cycle。

從上面的執行圖看，調度開銷不小，占了大約15～20%的時間。但是這只是表面的現象。實際上，調度開銷的大部分時間里，Dispatcher 是在查詢hardware queue，等待新的event。這是因為preload 沒能及時完成導致的。因為同時給8 個核做preload 需要很大的數據搬移的流量。根據以往的測試結果。使用QMSS 的packet DMA 從DDR3 輸入數據到local L2 的流量大約是4G bytes 每秒。那么preload 8 個event 總的數據量是4byte * 2048 rows * 16 columns * 8 core = 1M bytes，需要的時間是1/4 ms。因為每個“-”和“#”刻度表示100,000 CPU cycle，運行圖中紅線長度就代表preload 8 個event 的時間，它非常接近250,000 cycle。理論計算和實際值基本吻合，所以我們認為調度延遲是packet DMA 的傳輸流量不足導致的。

我們也測試了不使用pre-load 的場景。觀測到scheduler 調度一個event 的延遲大約是1200 個C66 CPU cycle。但是DSP 核處理一個event 的耗時增大到原來的10 倍。所以，pre-load 雖然會導致QMSS packet DMA 流量不足成為凸顯的瓶頸，但是從總體效率來看還是非常必要的。

細心的讀者可能會發現76% + 20% = 96%，并不是100%。我們分析時間戳發現，8 個DSP 核同時運行的場景下，每個核處理一個100*2048 ×2048*16 的矩陣乘的時間比只有一個DSP 核運行的場景下的時間稍長。原因是：我們的演示用例中X 矩陣和Z 矩陣是存儲在shared L2 的，8 個核同時運行就會同時讀寫這兩個buffer，導致產生shared L2 的bank 沖突。所以性能下降了。

3、總結

OpenEM具有使用簡單，功能實用，執行高效的特點。能在KeyStone 多核DSP 上實現動態的負載平衡。它一方面提供了強大的功能，另一方面也給應用留出了很大的靈活性。例如，通過讓應用初始化free pool 方便了buffer 的管理。OpenEM 的現有功能已經能夠支持基本的應用。隨著版本更新功能還將不斷完善。

Reference

Ref[1]   ti.openem.white.paper.pdf 位于OpenEM 安裝目錄