hakmem/CURRENT_TASK.md

# Current Task (2025-11-04)

## 🔔 最新アップデート (2025-11-06 23:xx)

- Build 既定を Box Refactor（Phase 6-1.7）に切替済み。
  - Makefile に `-DHAKMEM_TINY_PHASE6_BOX_REFACTOR=1` を既定付与。
  - 旧系へ切替: `make BOX_REFACTOR_DEFAULT=0 larson_hakmem`。
- Larson 2s/4T・5s/4T でセグフォ再発なしを確認（SLL-only, FAST_CAP=16, SS_ADOPT=1）。
- 次フェーズ: mimalloc 対決（Larson）へ移行。Hot Tiny クラス向けの refill/binding 帯域最適化に集中。

推奨計測プロファイル（現時点）
- SLL-only Fast: `HAKMEM_TINY_TLS_SLL=1 HAKMEM_TINY_TLS_LIST=0 HAKMEM_TINY_HOTMAG=0`
- Fast tier: `HAKMEM_TINY_FAST_CAP=16`
- Refill: `HAKMEM_TINY_REFILL_COUNT_HOT=64`（A/B: 48/64）
- Pipeline: `HAKMEM_TINY_SS_ADOPT=1`（publish→mail→adopt 通電）

再現コマンド（2s/4T, 5s/4T）
```
HAKMEM_TINY_REFILL_COUNT_HOT=64 \
HAKMEM_TINY_FAST_CAP=16 \
HAKMEM_TINY_TRACE_RING=0 HAKMEM_SAFE_FREE=0 \
HAKMEM_TINY_TLS_SLL=1 HAKMEM_TINY_TLS_LIST=0 HAKMEM_TINY_HOTMAG=0 \
HAKMEM_WRAP_TINY=1 HAKMEM_TINY_SS_ADOPT=1 \
./larson_hakmem 2 8 128 1024 1 12345 4

./larson_hakmem 5 8 128 1024 1 12345 4
```

デバッグ一発ログ（導通確認）
```
HAKMEM_TINY_REFILL_OPT_DEBUG=1 \
HAKMEM_TINY_TRACE_RING=0 HAKMEM_SAFE_FREE=0 \
HAKMEM_TINY_TLS_SLL=1 HAKMEM_TINY_TLS_LIST=0 HAKMEM_TINY_HOTMAG=0 \
HAKMEM_WRAP_TINY=1 HAKMEM_TINY_SS_ADOPT=1 \
./larson_hakmem 2 8 128 1024 1 12345 4
```

## 🎯 次の主目標（mimalloc 対決: Larson/TinyHot）

1) Hot Tiny リフィル最適化（Box 4 境界の探索コスト縮減）
- [ ] `HAKMEM_TINY_REFILL_COUNT_HOT={48,64}` を A/B。L1d miss と IPC を `perf stat` で取得。
- [ ] `tiny_refill_try_fast()` の class<=3 優先化（MailBox→Sticky/Hot の順）と早期 return の徹底。
- [ ] Drain のチェイン splice（済）を維持しつつ、不要ドレインの抑制（remote_pending のみ）。

2) ベンチ・スナップショット
- [ ] `scripts/bench_capture_now.sh` で現構成を保存（日付入り）。
- [ ] `scripts/profiles/tinyhot_best.env` に `REFILL_COUNT_HOT`/`FAST_CAP` を追記しベストを固定。

3) 比較と回帰防止
- [ ] Larson 2s/4s × threads=1/4/8 で hakmem vs mimalloc を測定・記録。
- [ ] Guard/ASan を OFF のまま長時間（>30s）を1回通して安定性を確認。

4) 伸びなければ（次の一手）
- [ ] class<=3 の探索順再編（Sticky/Hot/Bench の順入替）を小さく A/B。
- [ ] それでも平坦なら、Front(最前段)の前倒しポップ（SLL 事前 pop）を A/B（Box 5 内だけで完結）。


## 🔔 最新アップデート (2025-11-06 19:40)

- RemoteTrack Box（debug-only）を導入し、ノードの状態遷移（alloc→remote→drain→freelist）を追跡。矛盾時は `REMOTE_TRACK_MISMATCH`＋BT を出力。
- SlabHandle を全採用経路に統一：所有権取得→`slab_drain_remote_full()`→ゼロ確認→採用失敗時は release。Box2/Box3 の境界を1箇所へ集約。
- TLS alloc 前に remote queue を opportunistic drain（`superslab_alloc_from_slab`）し、side-table 上に残るノードは guard モードで Fail-Fast。
- guard 走行では `REMOTE_TRACK_MISMATCH stage=alloc_ret` がまだ発生。原因は「remote queue が drain されず、採用境界をすり抜けて TLS 返却されたノードが存在」。
- 次手：採用境界に“remote 残があれば採用しない”ゲートを追加し、配布直前に side-table を再確認（guard 時のみ）して強制停止する。

## 🔔 最新アップデート (2025-11-04 12:20)

直近の構造改善（箱の積み直し v2）

1) SlabHandle Box（core/slab_handle.h, ~100行）
- 所有権取得・リモートキュードレイン・メタデータアクセスをカプセル化
- 型安全なハンドル（valid==1 のときのみ drain/modify が可能）
- Invariant: drain/push/pop は「所有権取得後のみ」実行可（境界1箇所）。

2) 6 箇所のリファクタリング（SlabHandle 適用）
- tiny_refill.h: Sticky / Hot / Bench / Mailbox 採用箇所（4箇所）で、候補決定→SlabHandle 取得→remote_drain→bind の順へ整理
- tiny_mmap_gate.h: Registry scan の採用箇所（1箇所）を SlabHandle 化
- hakmem_tiny_free.inc: SuperSlab adopt path（1箇所）を SlabHandle 化

3) 所有権なし drain のバグ修正
- hakmem_tiny_superslab.h:376 の `ss_remote_drain_light()` が ownership 無しで drain していた点を是正
- 修正: `ss_owner_try_acquire()` で取得に成功した場合のみ `ss_remote_drain_to_freelist()` を実行

現状の問題（継続中）
- 依然 crash（fault_addr=0x6261）。Tiny Debug Ring にて以下を観測：
  - [N] event=free_enter class=0 ptr=0x...28c0
  - [N+1] event=free_enter class=3 ptr=0x...28c0  ← 同一ポインタを異なる class で 2 回 free
- 結論: freelist 破損ではなく、クラス判定ミス or 二重 free（UAF）の可能性が高い。
- Hypothesis:
  - hak_super_lookup() の再マップ（旧 SS → 新 SS 同一アドレスで別 class）が、二重 free を“別 class”に見せている。
  - 実態は上位レイヤ（呼び出し側）の二重 free である可能性が高い。
- 対応（デバッグ方針）:
  - `HAKMEM_SAFE_FREE=1` を既定ON推奨（デバッグ期間）。
  - SS free 境界でブロック整合チェック（slab_base/offset/size/容量）と freelist 簡易スキャン（<=64）で二重 free を検出。
  - SS/Tiny の二重ルックアップ比較（両者が同時に見つかり class が不一致ならリングに記録）。
  - `HAKMEM_SAFE_FREE_STRICT=1` なら Fail‑Fast（SIGUSR2）で即座に停止。

最優先課題は「FAST_CAP=0（fast-tier OFF）時に 4T Larson で再現する SuperSlab remote free の SEGV」を潰すことです。publish→mail→adopt は通電が確認できており、先に Box 2/3（Remote/Ownership）を箱単位で健全化します。

### 症状（Larson 2s, 4T, FAST_CAP=0）
- `hak_tiny_free_superslab()` → `ss_remote_push()` → `tiny_publish_notify()` あたりで SIGSEGV。`fault_addr` は常に低い値（例: 0x6261）で、invalid ポインタ参照。
- Debug Ring で直前イベントを記録すると、「class=4 の remote free → alloc → free_remote → alloc → …」が循環。ptr は SuperSlab 内に見えるが、キューに積まれた時点で破損疑い。
- FAST_CAP>0 に戻すと crash は発生せず、throughput ≈3.7M ops/s（以前より低下）。publish pipeline がゼロのままのため本質的な性能改善は未着手。

### 箱構成と境界
1. **FrontGate（fast-tier/Hot/TLS）の箱**
   - `tiny_fast_pop/push`, `hotmag_pop/push`, TLS SLL/Magazine
   - ★ 現在の仮説：FAST_CAP=0 で front が完全にバイパスされる際、remote queue への戻し順序が乱れている
2. **RemoteQueue（ss_remote_push/dain）の箱**
   - SuperSlab remote_heads / remote_counts / slab_listed
   - `tiny_publish_notify` が通知境界
3. **Mailbox/Publish の箱**
   - `tiny_mailbox_publish/fetch`, `ss_partial_publish/adopt`
4. **Debug Ring（可視化の箱）**
   - `HAKMEM_TINY_TRACE_RING=1` で alloc/free/publish 直前イベントをダンプ

現在の crash は FrontGate または RemoteQueue の内部バグが境界越えで露呈している状態 → 境界を固めて中/外どちらに異常があるか見極める。

### 進行中のタスク
1. **RemoteQueue 安全化（優先）**
   - [ ] `ss_remote_push()` にポインタ境界チェック（スーパースラブ内か）と Debug Ring ログ追加
   - [ ] remote push 後に `tiny_publish_notify` へ渡すフォーマット（ss+slab_idx）を `tiny_mailbox_publish` で検証用トレース
   - [ ] `ss_remote_drain_to_freelist` 前後で freelist pointer をトレースし、破損発生位置を特定（remote queue 内滞留→再 push の経路切り分け）
   - [x] `tiny_remote_sentinel_set()` で 0x6261 汚染を一度だけ捕捉し BT + SIGUSR2 を吐くトラップを追加（再現経路の特定用）
   - [x] remote side table を箱化 (`1<<20` + `tiny_remote_side_clear()` + `side_overflow` フォールバック) し、飽和時でも sentinel/next の整合を維持
   - [ ] sentinel 汚染が発生した際の callstack を段階別（set/scan/drain）に収集し、同一ノードへの二重 push（実質 double free）発生箇所を pinpoint
2. **FrontGate バイパス検証**
   - [ ] `FAST_CAP=0` 時専用のトレースフラグ `HAKMEM_TINY_DEBUG_FAST0=1` で front 層を最小順序に固定（Hot/TLS/Mag を飛ばして直接 remote → TLS リストへ流す）
   - [ ] フラグ ON/OFF で crash が消えるか確認 → front 内バグか remote 内バグかを切り分け
3. **再現テスト・フラグ**
   - [ ] `scripts/run_larson_defaults.sh tput` に `HAKMEM_TINY_FAST_CAP` オーバーライドを追加（忘れ防止）
   - [ ] `scripts/` に crash 再現スクリプト `run_larson_fast0.sh` を用意（2s/4T で SIGSEGV を取得）
4. **publish pipeline 調査（二次優先）**
   - crash 解消後に `tiny_publish_notify` の発火率と mailbox drain を再計測し、mmap 偏重の根本原因へ戻る

### 参考コマンド
- Crash 再現:  
  `HAKMEM_TINY_FAST_CAP=0 HAKMEM_LARSON_TINY_ONLY=1 HAKMEM_TINY_USE_SUPERSLAB=1 ./larson_hakmem 2 8 128 1024 1 12345 4`
- Debug Ring ダンプ:  
  `HAKMEM_TINY_TRACE_RING=1 ... ./larson_hakmem ...`  
  `kill -USR2 <pid>` で途中ダンプ、`SIGSEGV` で最終ダンプ
- publish 通電検証（安全ラン）:  
  `scripts/run_larson_defaults.sh tput 2 4`


現状整理（Google系/Larson系ベンチの追い上げフェーズ）

### 実施済み（即応）
- ベンチ実行時のデバッグ出力によるオーバーヘッドを除去（リリース既定で抑制）
  - 変更ファイル: `core/hakmem_tiny_ultra_simple.inc`, `core/hakmem_tiny_metadata.inc`
  - 方針: `HAKMEM_DEBUG_VERBOSE` が有効時のみ `fprintf` するようガード
  - 効果: ログ出力がボトルネックになるケースを解消（特に tiny/mixed ベンチ）

- `bench_random_mixed_hakmem` を ULTRA_SIMPLE 版で再ビルド・再計測
  - ビルド: `make bench_random_mixed_hakmem EXTRA_CFLAGS="-DHAKMEM_TINY_PHASE6_ULTRA_SIMPLE=1 -DHAKMEM_BUILD_RELEASE=1"`
  - 旧: 23.49 M ops/sec → 新: 25.82 M ops/sec（+9.9%）

- Larson ベンチ（2秒, 8–128B, chunks=1024, rounds=1, seed=12345）実行
  - system 1T: 14.73 M/s, 4T: 16.76 M/s
  - mimalloc 1T: 16.77 M/s, 4T: 16.77 M/s
  - HAKMEM  1T:  2.52 M/s, 4T:  4.19 M/s
  - `HAKMEM_LARSON_TINY_ONLY=1 HAKMEM_DISABLE_BATCH=1` でも同等（~2.56M / ~4.19M）

### 観測と仮説（Larson 遅さの主因）
- 既知の分析と一致: 再利用不足 → ページフォールト/ゼロ化増 → sys 時間が支配的
- Tiny フロントのヒット率が不足（SLL を使うが、Larson パターンで十分に温まらない）
- Metadata 版（Phase 6-1.6）は refill 未対応部分があり現状は封印、ULTRA_SIMPLE で進めるのが安全

### 当面の方針（追いつくまでの短期プラン）
1) Larson 用バイナリに ULTRA_SIMPLE を徹底適用してフロントのヒット率を最大化
   - 目標: free/alloc ともに 3–4 命令の経路に乗せる（既に `free()` は alignment-guess 経路有効）
   - ビルド: `EXTRA_CFLAGS="-DHAKMEM_TINY_PHASE6_ULTRA_SIMPLE=1 -DHAKMEM_BUILD_RELEASE=1"`

2) Mixed/Larson の再測定と perf 取得
   - コマンド: `scripts/run_larson.sh -d 2 -t 1,4`
   - 詳細: `scripts/run_larson_perf.sh`（PF/IPC/branch/L1d を併記）

3) 迅速チューニング候補（小粒で効く順）
   - Refill 個数の抑制（64→16〜32）で温まり時間短縮、TL-再利用密度を上げ PF を減らす
   - SuperSlab サイズの下限を 1MB に固定（`HAKMEM_TINY_SS_MIN_MB=1`）で初期PFを軽減
   - 事前ウォーム（Larson開始前に `sll_refill_small_from_ss()` をサイズ帯毎に数回）
   - size→class 変換の LUT 確認（既に O(1) だが、統合経路でも分岐予測を安定化）

4) 中期（必要なら）
   - Dual Free Lists（local/remote 分離）を Tiny に導入（既存の設計を Tiny へ移植）
   - Metadata 版の refill 実装を完了（ヘッダ +8B で owner 判定ゼロ化）し安定化後に切替検討

### 直近 TODO（実行順）
- [ ] Larson ULTRA_SIMPLE ビルドの固定化（larson_hakmem に EXTRA_CFLAGS 反映）
- [ ] `scripts/run_larson.sh -d 2 -t 1,4` の再実行と結果更新
- [ ] `scripts/run_larson_perf.sh` で PF/CPU 内訳を取得してボトルネックの再確認
- [ ] Refill 個数/SSサイズのチューニングで 1T: ~10M, 4T: ~10M の域まで引き上げ

備考: この更新で、測定時のノイズ（fprintf）は排除済み。以降の差分は純粋にアルゴリズム/チューニング起因として評価可能。

---

## 🔧 バグ修正と3点セット実装（2025-11-03 09:00）

結論: 「free 経路の破綻」は修正済み。OOM は設計的な再利用探索の不足が残課題。

- 修正
  - ULTRA_SIMPLE free を same-thread のみ直 push に制限。cross-thread free は従来経路へフォールバック。
    - 変更: `core/hakmem.c:820`, `core/hakmem_tiny_ultra_simple.inc:96`
  - OOM ワンショット診断（errno/ss_size/alloc_size/RLIMIT/VmSize/RSS/SSカウンタ）を追加。
    - 変更: `core/hakmem_tiny_superslab.c:182`

- 3点セット（段階導入・既定OFF）
  1) remote queue（cross-thread free 時に per-slab MPSC stack へ）
  2) partial publish/adopt（クラス別公開リング→refill 前に adopt）
  3) adopt 時の remote drain + owner 移譲（best-effort）
    - 変更: `core/hakmem_tiny_superslab.h`, `core/hakmem_tiny.c`, `core/hakmem_tiny_free.inc`
    - 有効化: `HAKMEM_TINY_SS_ADOPT=1`

- 観測（Larson, 4T）
  - adopt OFF（既定）: ~4.19 M/s 安定、稀に ENOMEM 継続
  - adopt ON: OOM は減るがゼロにはならず。1T は低下傾向（~2.3–2.4 M/s）→チューニング要

- 次のチューニング（提案）
  - `SS_PARTIAL_RING` 長（2/4/8）A/B、adopt 選好（remote多い slab 優先）、採用頻度の抑制（クールダウン）
  - perf stat（PF/DTLB）の比較で改善度を定量化

使い方（A/B）:
```
# 既定（adopt OFF）
./larson_hakmem 2 8 128 1024 1 12345 4

# adopt ON（3点セット有効、A/B計測）
HAKMEM_TINY_SS_ADOPT=1 ./larson_hakmem 2 8 128 1024 1 12345 4
```


## 🎯 現在のミッション: Phase 6 - Learning-Based Tiny Allocator

**Status**: ✅ **Phase 6-1 完了!** 🚀🎉

**最新アップデート (2025-11-02 18:00):**
- ✅ **Phase 6-1: Ultra-Simple Fast Path 完了!** 🚀🚀🚀
  - **驚異的な結果**: **478.60 M ops/sec** (64B LIFO)
  - **System malloc の +174% 高速!** (174.69 M/s → 478.60 M/s)
  - **現行 HAKMEM の +777% 高速!** (54.56 M/s → 478.60 M/s)
  - **4.17 cycles/op** (理論的最小値に近い)
  - **100% hit rate** (10M ops 中 miss 1回のみ)

  - **実装**: "Simple Front + Smart Back" (HAKX Mid-Large +171% の成功パターン適用)
    - Fast path: 3-4 命令 (tcache風 pop from free list)
    - Backend: Simple mmap-based chunk allocator
    - Files: `core/hakmem_tiny_simple.{h,c}` (200行)

  - **なぜこんなに速い?**
    1. Ultra-simple fast path (分岐予測完璧)
    2. Perfect L1 cache locality (TLS array 64B)
    3. Freed blocks 即再利用 (LIFO で 100% hit)
    4. ゼロオーバーヘッド (magazine layers なし)

  - **次のステップ**:
    - [ ] Comprehensive benchmark (21 patterns)
    - [ ] Memory efficiency 測定
    - [ ] Phase 2: Learning layer 設計

---

## 📋 過去の試行 (Phase 5以前)

**Status (旧)**: ✅ Phase 2+1完了 → ❌ Phase 3失敗 → ❌ Phase 4-A1失敗 → ❌ **Phase 5-A失敗** → ❌ **Phase 5-B-Simple 失敗** 💥

**最新アップデート (2025-11-02 07:00):**
- ❌ **Phase 5-B-Simple 失敗**: **-71% (ST) / -35% (MT)** 💥💥💥
  - **Single-threaded (bench_tiny_hot, 64B)**:
    - System: 169.49 M ops/sec
    - HAKMEM Phase 5-B: 49.91 M ops/sec
    - **Regression: -71%** (3.4x slower!)

  - **Multi-threaded (bench_mid_large_mt, 8-32KB, 2 threads)**:
    - System: 11.51 M ops/sec
    - HAKMEM Phase 5-B: 7.44 M ops/sec
    - **Regression: -35%** (1.5x slower)
    - ⚠️ **NOTE**: Mid/large benchmark tests 8-32KB allocations (outside Tiny range), not directly testing Phase 5-B

  - **根本原因分析**:
    1. **Magazine capacity ミスチューン**: 64 slots は ST workload には小さすぎる
       - Batch=100 の場合、2回に1回は slow path に落ちる
       - System allocator は tcache (7+ entries per size) で高速

    2. **Migration logic オーバーヘッド**: Slow path での free list → Magazine migration が高コスト
       - Batch migration (32 items) が頻繁に発生
       - Pointer chase + atomic operations

    3. **Dual Free Lists の誤算**: ST では効果ゼロ、むしろオーバーヘッド
       - ST では remote_free は発生しない
       - Dual structures のメモリ overhead のみ

    4. **Unified Magazine の問題**: 統合で simplicity は得たが performance は失った
       - 旧 HotMag (128 slots) + Fast + Quick の組み合わせのほうが高速だった
       - 単純化 ≠ 高速化

  - **教訓**:
    - ✅ **Magazine unification 自体は良アイデア** (complexity 削減)
    - ❌ **Capacity tuning が不適切** (64 slots → 128+ 必要)
    - ❌ **Dual Free Lists は MT 専用** (ST で導入すべきでない)
    - ❌ **Migration logic が重すぎる** (batch size 削減 or lazy migration 必要)

  - **次のアクション**:
    1. ⏮️ **Phase 5-B をロールバック** (git revert)
    2. 📊 **Baseline 再測定** (clean state で確認)
    3. 🤔 **Phase 5-B-v2 を検討** (Magazine unification only, Dual Free Lists なし)
    4. 🎯 **Alternative approach**: Phase 6 系 (L25/SuperSlab 最適化) に移行

- 🚀 **Phase 5-B-Simple 開始** (2025-11-03 04:00): Dual Free Lists + Magazine統合 🎯
  - **Phase 5-A-v2 をスキップする理由**:
    1. **HAKMEM は既に O(1) size→class 変換** (`g_size_to_class_lut_1k[size]`)
    2. **多層 cache が既に 95%+ hit** → direct cache 追加は効果薄い
    3. **TLS 変数追加で cache pollution** リスク
    4. **期待値**: ±0% (効果とオーバーヘッドが相殺)
  - **Phase 5-B-Simple に集中** (期待: +15-23%)

  - **2つの最適化を統合**:
    1. **Dual Free Lists** (mimalloc Phase 5-B): +10-15%
       - Local free で atomic 不要 (10+ cycles 削減)
       - Cache locality 向上
    2. **Magazine 統合** (シンプル化): +3-5%
       - 3-4層 → 2層に削減
       - TLS cache line を 3-4本 → 1-2本に削減
       - Branch を 3-4回 → 1回に削減

  - **実装計画** (3-4 days):
    ```c
    // === Before (現状: 複雑) ===
    // Layer 1: HotMag (classes 0-2)
    if (g_hotmag_enable) ptr = hotmag_pop();

    // Layer 2: Hot functions (classes 0-3)
    if (g_hot_alloc_fn[cls]) ptr = tiny_hot_pop_classN();

    // Layer 3: Fast cache
    ptr = tiny_fast_pop(cls);

    // Layer 4+: Slow path (single freelist + atomic)
    ptr = hak_tiny_alloc_slow();

    // === After (Phase 5-B-Simple: シンプル) ===
    // Layer 1: Unified Magazine (統合版)
    TinyUnifiedMag* mag = &g_tls_mag[cls];
    if (mag->top > 0) return mag->items[--mag->top]; // ← 1 branch!

    // Layer 2: Slow path (Dual Free Lists)
    return tiny_alloc_slow_dual(cls);  // ← local_free (no atomic!)
    ```

  - **Dual Free Lists の核心**:
    ```c
    typedef struct TinySlab {
        // Phase 5-B: Dual Free Lists
        void* local_free;          // Local frees (no atomic!)
        _Atomic(void*) thread_free; // Remote frees (atomic)
    } TinySlab;

    // Free: Local は atomic なし！
    if (pthread_equal(slab->owner_tid, self)) {
        *(void**)ptr = slab->local_free;
        slab->local_free = ptr;  // ← No atomic! 10+ cycles 削減
    } else {
        atomic_push(&slab->thread_free, ptr);
    }

    // Migration: Batch で効率化
    if (!slab->free && slab->local_free) {
        slab->free = slab->local_free;  // Pointer swap only
        slab->local_free = NULL;
    }
    ```

  - **期待効果まとめ**:
    | 最適化 | 期待効果 | 累積 M ops/sec |
    |--------|---------|----------------|
    | Baseline | - | 16.53 |
    | Dual Free Lists | +10-15% | 18.2-19.0 |
    | Magazine 統合 | +3-5% | 18.7-20.0 |
    | Branch 削減 | +2-3% | 19.1-20.6 |
    | **合計** | **+15-23%** | **19.1-20.3 M ops/sec** 🎯 |

  - **実装ステップ**:
    - **Step 1** (Day 1): Unified Magazine 実装 & benchmark
    - **Step 2** (Day 2): Dual Free Lists 追加 (TinySlab 構造変更)
    - **Step 3** (Day 3): Free path 書き換え (local_free / thread_free 分離)
    - **Step 4** (Day 4): Migration logic & 最終 benchmark

  - **削減される TLS 変数**:
    ```c
    // Before (~1600 bytes + flags)
    __thread TinyHotMag g_tls_hot_mag[8];      // 1024 bytes
    __thread void* g_fast_head[8];              // 64 bytes
    __thread uint16_t g_fast_count[8];         // 16 bytes
    __thread TinyQuickSlot g_tls_quick[8];     // 512 bytes

    // After (2048 bytes のみ)
    __thread TinyUnifiedMag g_tls_mag[8];      // 2048 bytes
    ```
- ❌ **Phase 5-A失敗**: **-3~-7.7%** (16.53 → 15.25-16.04 M ops/sec) 💥
  - **実装**: Global `slabs_direct[129]` でO(1) direct page cache
  - **結果**: 性能**大幅悪化**（期待+15-20% → 実際-3~-7.7%）
  - **根本原因**: **Thread-local vs Global の設計ミス**
    ```c
    // hakmem_tiny.h - 間違った実装
    typedef struct {
        TinySlab* slabs_direct[129];  // ❌ Global = 全threadが共有
    } TinyPool;  // g_tiny_pool は global

    // mimalloc - 正しい実装
    typedef struct mi_heap_s {
        mi_page_t* pages_free_direct[129];  // ✅ Heap ごと = thread-local
    } mi_heap_t;  // __thread mi_heap_t* heap
    ```
  - **性能悪化の3つの要因**:
    1. **pthread_self() オーバーヘッド**: 毎回 `tiny_self_pt()` syscall (~20-40 cycles)
    2. **Remote slab hit**: Global cache が他 thread の slab を指す
       → Owner check → Cache clear → Fallback (無駄な3段階処理)
    3. **余分な分岐**: 既存 fast path の前に新たな条件分岐層を追加
  - **測定結果** (2回計測):
    - Run 1: 15.25 M ops/sec (-7.7%)
    - Run 2: 16.04 M ops/sec (-3.0%)
    - Baseline: 16.53 M ops/sec
  - **教訓**: **mimalloc の直訳は危険** - アーキテクチャ差異を理解すべき
    - mimalloc: `mi_heap_t` は thread-local → `pages_free_direct` も thread-local
    - HAKMEM: `TinyPool g_tiny_pool` は global → `slabs_direct` は全 thread 共有
  - **Revert**: 全ての Phase 5-A 変更を完全に revert (16.33 M ops/sec に復元)
  - **次の戦略**: Phase 5-A-v2 で **thread-local slabs_direct** を実装
    ```c
    // 次回の正しい実装方針
    __thread TinySlab* g_tls_slabs_direct[129];  // ✅ Thread-local
    ```
- 🎊 **Phase 5完了: 47% Gap の正体を解明！** 🔍
  - **mimalloc 完全分析**: 10,000語超の詳細レポート作成完了
  - **3つのファイル生成**:
    - `MIMALLOC_ANALYSIS_REPORT.md` - 詳細技術分析
    - `MIMALLOC_KEY_FINDINGS.md` - 要約版
    - `MIMALLOC_IMPLEMENTATION_ROADMAP.md` - 実装計画
  - **Gap の内訳判明**:
    1. **Direct Page Cache (O(1))**: +15-20% ← **最大のボトルネック！**
    2. **Dual Free Lists**: +10-15%
    3. **Branch Hints + Lazy Updates**: +5-8%
  - **重要な発見**: mimalloc も **intrusive linked list** を使用
    → Phase 3/4-A1 の「linked-list は最適」は**正しかった**！
    → Gap は**マイクロ最適化**から来る（データ構造選択ではない）
  - **Hot Path サイクル比較**:
    - mimalloc: ~20 cycles (TLS 2 + O(1) lookup 3 + Pop 5)
    - HAKMEM: ~30-35 cycles (TLS 3 + Binary search 5 + Atomic pop 15)
    - **差分: 10-15 cycles → 47% の性能差**
- 📋 **次のアクション**: Phase 5-A 実装（Direct Page Cache）
  - **期待効果**: +15-20% (16.53 → 19.0-19.8 M ops/sec)
  - **Effort**: 1-2 days
  - **Risk**: Low
- ❌ **Phase 4-A1失敗**: **-0.24%** (16.53 → 16.49 M ops/sec) 💥
  - 実装: TLS-BUMP即値化（immediate-value hot functions）
  - 結果: 性能**悪化**（期待+5-8% → 実際-0.24%）
  - 原因: **TLS-BUMPは mixed workloadで機能しない**
    ```c
    // hakmem_tiny_refill.inc.h:258
    if (meta->freelist != NULL) return NULL;  // linear mode only
    ```
  - 根本問題: bench_random_mixed (50% alloc, 50% free) では freelist が常に populated
  - **TLS-BUMPは monotonic allocationのみ有効**（連続allocのみ）
  - 教訓: **混在ワークロードでは linked-list が最適** - 追加層は純粋なオーバーヘッド
- 🚀 **Phase 4戦略決定** (2025-11-02 22:00)
  - ChatGPT Pro相談完了：構造的アプローチで+10-25%を狙う
  - 核心: 現在の6-7層を**3層に統合**（層あたり2-3ns削減）
  - 即効施策: TLS-BUMP即値化（+5-8%期待） ← **失敗！**
  - 中期施策: 小マガジン128化（+3-5%）+ 3層リファクタ（+10-15%）
  - 長期施策: Mid/Large構造改革（per-core arena + TL-Segment）
- ❌ **Phase 3失敗教訓**: **+0.24% のみ** (16.53 → 16.57 M ops/sec)
  - 実装: v3 allocator (magazine-based single-tier)
  - 原因: 既存のlinked-listが既にmagazineより最適
  - 教訓: **Linked list > Magazine array**（メモリアクセス少ない）
- ✅ **Phase 2+1完了**: **+1.8% 改善** (16.24 → 16.53 M ops/sec)
  - Phase 2: TLS range check実装 (owner_slab高速化)
  - Phase 1: free()順序変更 (Tiny → Mid MT)
  - 結果: 理論通り動作、軽微な改善 ✅
- 📋 **次のアクション**: Phase 4-A1実装開始（TLS-BUMP即値化）

**Phase 2+1の教訓:**
1. ✅ TLS range check + 順序変更は**理論通り動作**（50% overhead削減）
2. ❌ free() overheadが想定より小さかった（実測 ~8% vs 想定 ~21%）
3. 💡 **シングルスレッドでは mutex overhead は誤差レベル**
4. 🎯 さらなる改善には**malloc/alloc側**を攻めるべき（27% overhead!）

**コスト分析（Phase 2+1）:**
```
Before (Mid → Tiny):
  Mid null checks:     4 cycles
  Mid mutex (empty):  15 cycles  ← 想定より軽い！
  Tiny registry:      15 cycles
  Total:              34 cycles

After (Tiny → Mid):
  TLS check:           2 cycles
  Tiny registry:      15 cycles
  Total:              17 cycles

Savings: 17 cycles (50% 削減)
全体への影響: 17 cycles × (free overhead 8%) ≈ +2% 🎯
```

---

## 📊 最新perf分析結果 (2025-11-01)

### ベンチマーク条件
- **ワークロード**: bench_random_mixed (8-128B, 16 size classes)
- **パラメータ**: 200K cycles, 400 ws, seed=1
- **スレッド**: 1 (シングルスレッド)

### パフォーマンス比較
| Allocator | Throughput | vs mimalloc |
|-----------|------------|-------------|
| HAKMEM    | 16.46 M ops/sec | 68% |
| mimalloc  | 24.21 M ops/sec | 100% |

**Gap: 32% slower** ⚠️

### 根本原因: アロケータオーバーヘッド

| Allocator | Total Overhead | malloc/alloc | free/delete |
|-----------|----------------|--------------|-------------|
| mimalloc  | 17%            | 7.35%        | 9.77%       |
| HAKMEM    | **49%**        | 27%          | 21.64%      |

**HAKMEM は 3x のCPUサイクルを消費！**

---

## 🔴 Critical Bottlenecks (優先度順)

### 1. `free()` の無駄なMid Range チェック (Priority 1) 🔥

**問題**:
```
free(ptr)
  ↓
Lock g_mid_registry mutex        (2.29%)  ← 全freeでロック!
  ↓
Binary search g_mid_registry     (7.08%)  ← 8KB-32KB範囲チェック
  ↓
Unlock mutex                     (3.93%)
  ↓
hak_tiny_owner_slab              (4.98%)  ← 8B-1KB範囲チェック (本来これだけでOK!)
  ↓
hak_tiny_free                              ← 実際のfree
```

**無駄**: 8-128Bのワークロードなのに、全freeでMid Range (8KB-32KB) をチェック！
- mutex lock/unlock: 6.22%
- mid_lookup: 7.08%
- **合計 13.3% のオーバーヘッド** が不要

**修正方針**:
```c
free(ptr)
  ↓
Fast TLS range check (Tiny: 8B-1KB)  ← NO MUTEX, 直接チェック
  ↓ (hit: ~90% for this workload)
  hak_tiny_free
  ↓ (miss)
Check Mid registry (with mutex)
  ↓ (miss)
Check L25/other
```

**期待効果**: **~13% スループット向上** (16.46 → 18.6 M ops/sec)

---

### 2. `hak_tiny_owner_slab` の線形探索 (Priority 2) 🟡

**問題**:
- 現在: TLS slab listを線形探索 (3.50% overhead)
- mimalloc: ポインタビットパターンで高速判定

**修正方針** (mimalloc-style):
```c
// 1. Alignment check
if ((ptr & (SLAB_SIZE - 1)) != 0) return NULL;  // Not slab-aligned

// 2. TLS range check
if (ptr < tls_heap_start || ptr >= tls_heap_end) return NULL;

// 3. Direct slab header access
SlabHeader* slab = (SlabHeader*)(ptr & ~(SLAB_SIZE - 1));
return slab;
```

**期待効果**: **~3% スループット向上** (3.50% → ~0.5%)

---

### 3. `hak_tiny_alloc_slow` の複雑なフォールバック (Priority 3) 🟢

**問題**:
- 4段階フォールバック: hotmag → TLS list → superslab → magazine
- 各段階でTLS変数アクセス + 分岐

**修正方針**:
```c
// 1. TLS magazine (most common)
if (fast cache has space) return pop();

// 2. Superslab (if enabled)
if (g_use_superslab && superslab_active) return superslab_alloc();

// 3. Central refill
return refill_from_central();
```

**期待効果**: **~2-3% スループット向上**

---

### 4. 関数インライン化 (Priority 4) 🟢

**候補**:
- `hak_tiny_alloc` → `malloc` にインライン
- `hak_tiny_owner_slab` → `free` にインライン

**期待効果**: **~2% スループット向上**

---

## 🎨 Phase 2詳細設計: mimalloc-style Fast Owner Check

### 現在の問題点

**現在の `hak_tiny_owner_slab()` 実装:**
```c
TinySlab* hak_tiny_owner_slab(void* ptr) {
    int hash = registry_hash(slab_base);              // 関数呼び出し + hash計算
    for (int i = 0; i < SLAB_REGISTRY_MAX_PROBE; i++) // 最大8回ループ
        // array access + 比較 + atomic load
    if (ptr < start || ptr >= end) return NULL;       // range validation
}
```

**コスト分析:**
- **Positive lookup** (Tiny allocation): hash + 1-2 probes + range check = **~10-15 cycles**
- **Negative lookup** (非Tiny): hash + 1-2 probes = **~8-10 cycles** ← Phase 1失敗の原因！

### Phase 2新設計: Ultra-Fast Owner Check

**目標:**
- **Negative lookup**: **1-2 cycles** (現状: 8-10 cycles) → **~85% 削減** 🎯
- **Positive lookup**: **5-8 cycles** (現状: 10-15 cycles) → **~40% 削減**

**実装戦略:**
```c
// Phase 2: Ultra-fast owner check (mimalloc-style)
static inline TinySlab* hak_tiny_owner_slab_fast(void* ptr) {
    // Step 1: TLS heap range check (1-2 cycles) ← KEY OPTIMIZATION
    // Check if ptr is in this thread's Tiny heap range
    if (ptr < g_tls_tiny_min || ptr >= g_tls_tiny_max) {
        return NULL;  // Outside TLS range → FAST NEGATIVE LOOKUP! ✅
    }

    // Step 2: Slab base calculation (1 cycle)
    uintptr_t slab_base = (uintptr_t)ptr & ~(TINY_SLAB_SIZE - 1);

    // Step 3: Registry lookup (2-3 cycles)
    // Now only called for pointers IN TLS range (hit rate ~90%)
    TinySlab* slab = registry_lookup(slab_base);
    if (!slab) return NULL;

    // Step 4: Range validation (1-2 cycles)
    if (ptr < slab->base || ptr >= slab->base + TINY_SLAB_SIZE) {
        return NULL;
    }

    return slab;
}
```

**最適化ポイント:**
1. **TLS range check を最初に実行** → Negative lookup を 1-2 cycles に！
2. Registry lookup は TLS range内のみ実行 → Hit rate ~90%
3. 既存のregistry_lookupを活用 → 安全性維持

### 実装要件

**1. TLS heap range tracking:**
```c
// hakmem_tiny.h
extern __thread void* g_tls_tiny_min;
extern __thread void* g_tls_tiny_max;

// hakmem_tiny.c
__thread void* g_tls_tiny_min = (void*)UINTPTR_MAX;
__thread void* g_tls_tiny_max = NULL;

// Update on slab allocation (in allocate_new_slab)
static inline void update_tls_tiny_range(void* slab_base) {
    if (slab_base < g_tls_tiny_min) g_tls_tiny_min = slab_base;
    void* slab_end = slab_base + TINY_SLAB_SIZE;
    if (slab_end > g_tls_tiny_max) g_tls_tiny_max = slab_end;
}
```

**2. 既存コードとの互換性:**
- `hak_tiny_owner_slab()` をfast版に置き換え
- Registry lookup機構はそのまま維持 (thread-safe)
- SuperSlabは別途処理（既存通り）

### 期待効果

**Negative lookup高速化 (非Tiny allocations):**
- Before: hash (2-3 cycles) + probe (3-4 cycles) + compare = 8-10 cycles
- After: range check (1-2 cycles) = **~85% 削減** 🔥

**Positive lookup高速化 (Tiny allocations):**
- Before: hash + probe + range = 10-15 cycles
- After: range + registry + range = 5-8 cycles = **~40% 削減**

**Combined with Phase 1 (順序変更):**
```
Tiny allocations (90%):
  Before: Mid mutex (13.6%) + owner_slab (8-10 cycles)
  After:  owner_slab_fast (1-2 cycles) → Tiny free
  Savings: 13.6% × 0.9 = ~12% 🎯

Mid MT allocations (10%):
  Before: owner_slab (8-10 cycles) + Mid mutex
  After:  owner_slab_fast (1-2 cycles) + Mid mutex
  Savings: 8 cycles × 0.1 = ~0.5%

Total expected gain: ~12-13% (16.46 → 18.4-18.6 M ops/sec)
```

---

## 📋 実装タスクリスト

### ✅ Phase 1: free() チェック順序変更 - **完了 (revert含む)** ✅

**実装完了:**
- ✅ 1-1. `hakmem.c` free()のチェック順序を変更 (Tiny→Mid)
- ✅ 1-2. ベンチマーク測定: 16.34 M ops/sec (**-0.73% regression**)
- ✅ 1-3. perf再測定して原因分析: `hak_tiny_owner_slab()` が重い (8-10 cycles)
- ✅ 1-4. Phase 1を revert: 16.24 M ops/sec (baseline復帰)

**教訓:** `hak_tiny_owner_slab()` が重すぎて全freeに適用不可 → Phase 2で根本解決

---

### 🚀 Phase 2: owner_slab 高速化 - **実装中** 🚀

**目標:**
- Negative lookup: 8-10 cycles → **1-2 cycles** (~85%削減)
- Positive lookup: 10-15 cycles → **5-8 cycles** (~40%削減)
- Phase 2完了後、Phase 1再適用 → **~12-13%向上**

**タスクリスト:**

- [ ] 2-1. TLS range tracking変数追加
  - [ ] `hakmem_tiny.h`: extern宣言追加
  - [ ] `hakmem_tiny.c`: TLS変数定義
  - [ ] `allocate_new_slab()`: range更新ロジック追加

- [ ] 2-2. `hak_tiny_owner_slab_fast()` 実装
  - [ ] TLS range check (negative lookup高速化)
  - [ ] Registry lookup (既存機構活用)
  - [ ] Range validation (safety確保)

- [ ] 2-3. 既存 `hak_tiny_owner_slab()` を置き換え
  - [ ] 関数名変更 or 実装差し替え
  - [ ] 全呼び出し箇所で動作確認

- [ ] 2-4. ベンチマーク測定
  - [ ] `./bench_random_mixed_hakmem 200000 400 1`
  - [ ] 目標: ~16.24 M ops/sec (変化なし or 微増)
  - [ ] 理由: owner_slab単体では効果小、Phase 1再適用で効果発揮

- [ ] 2-5. Phase 1再適用 (順序変更)
  - [ ] `hakmem.c` free(): Tiny → Mid に変更
  - [ ] ベンチマーク測定
  - [ ] 目標: **18.4-18.6 M ops/sec (+12-13%)** 🎯

### 🎯 Phase 3: Allocation Hot Path簡素化 - **設計完了** 📐

**Status**: Phase 2+1完了 → Phase 3設計完了 (2025-11-01 22:00)

**目標**: malloc/allocのoverhead削減 (27% → 20%)
- **期待効果**: +5-10% (16.53 → 17.5-18.0 M ops/sec)
- **アプローチ**: mimalloc-style single-tier hot path

**現状分析 (perf):**
```
malloc/alloc overhead:        27%
  - hak_tiny_alloc_slow:      9.33% (複雑なフォールバック)
  - hak_tiny_alloc:           7.12% (hot path)
  - malloc wrapper:           3.67%
  - その他:                   ~7%

問題点:
  ❌ 6+段階のフォールバックチェーン
  ❌ 多数のTLS変数アクセス
  ❌ Heavy stack frame (14.05% in prologue!)
  ❌ Branch misprediction
```

**現在のフローチャート:**
```c
hak_tiny_alloc(size)
  ↓
1. size → class_idx
  ↓
2. ifdef BENCH_FASTPATH:
   - SLL head check
   - TLS Magazine check
   - SLL refill
  ↓
3. HotMag front (class <= 2)
  ↓
4. Hot alloc functions (class 0-3)
  ↓
5. tiny_fast_pop()
  ↓
6. hak_tiny_alloc_slow() ← 9.33% overhead!
   - HotMag refill
   - TLS list refill
   - SuperSlab fallback
```

**Phase 3新設計 (mimalloc-style):**
```c
void* hak_tiny_alloc_v3(size_t size) {
    // 1. Size → class (branchless)
    int class_idx = hak_tiny_size_to_class(size);
    if (__builtin_expect(class_idx < 0, 0)) return NULL;

    // 2. Single-tier TLS magazine (HOT PATH - 2-3 cycles)
    TinyTLSMag* mag = &g_tls_mags[class_idx];
    int top = mag->top;
    if (__builtin_expect(top > 0, 1)) {
        void* ptr = mag->items[--top].ptr;
        mag->top = top;
        return ptr;  // ← 最速パス！ 🚀
    }

    // 3. Refill + fallback (cold path)
    return hak_tiny_alloc_slow_v3(size, class_idx);
}

static void* __attribute__((cold, noinline))
hak_tiny_alloc_slow_v3(size_t size, int class_idx) {
    TinyTLSMag* mag = &g_tls_mags[class_idx];

    // Step 1: Try refilling magazine from SuperSlab
    if (mag_refill_from_superslab(class_idx, mag, 32) > 0) {
        return mag->items[--mag->top].ptr;
    }

    // Step 2: Allocate new SuperSlab
    return hak_tiny_alloc_superslab(class_idx);
}
```

**削減内容:**
```
Branches:       6+ → 2
TLS変数:        多数 → 1つ (mag)
Stack frame:    Heavy → Minimal (inline候補)
Hot path cycles: ~20-30 → ~5-8 (60-70%削減) 🎯
```

**タスクリスト:**

- [ ] 3-1. `hak_tiny_alloc_v3()` 実装
  - [ ] Single-tier magazine hot path
  - [ ] Branchless size-to-class
  - [ ] Minimal stack frame

- [ ] 3-2. `hak_tiny_alloc_slow_v3()` 簡素化
  - [ ] 2-tier fallback (magazine refill → superslab)
  - [ ] Remove HotMag/TLS list/fast_pop complexity
  - [ ] `__attribute__((cold, noinline))`

- [ ] 3-3. Magazine refill最適化
  - [ ] `mag_refill_from_superslab()` 専用関数
  - [ ] Batch refill (32-64 items)
  - [ ] Zero overhead on hit

- [ ] 3-4. ベンチマーク測定
  - [ ] `./bench_random_mixed_hakmem 200000 400 1`
  - [ ] 目標: **17.5-18.0 M ops/sec (+5-10%)** 🎯
  - [ ] vs mimalloc: 72-74%

---

### Phase 4: 関数インライン化 (Phase 3成功後)

**Phase 4: インライン化**
- `hak_tiny_alloc_v3` → `malloc` (force inline)
- `hak_tiny_free` → `free` (force inline)
- 目標: +2-3% (18.0-19.0 M ops/sec)

---

## 🎯 マイルストーン

| Phase | Target Throughput | Actual Result | vs mimalloc | Status |
|-------|-------------------|---------------|-------------|--------|
| Baseline | 16.24 M ops/sec | 16.24 M ops/sec | 67% | ✅ Baseline |
| ~~Phase 1 (単体)~~ | ~~18.6 M ops/sec~~ | ~~16.34 M ops/sec~~ | ~~67%~~ | ❌ **FAILED** (-0.73%) |
| Phase 2 (単体) | ~16.2 M ops/sec | 15.70 M ops/sec | 65% | ✅ **完了** (-3.3%, 予想通り) |
| **Phase 2+1 Combined** | ~~18.4-18.6 M ops/sec~~ | **16.53 M ops/sec** | **68%** | ✅ **完了** (+1.8%) |
| ~~Phase 3 (v3 alloc)~~ | ~~17.5-18.0 M ops/sec~~ | ~~16.57 M ops/sec~~ | ~~68%~~ | ❌ **FAILED** (+0.24%) |
| Phase 4 (インライン化) | 18.0-19.0 M ops/sec | - | 74-79% | ⏳ TODO |
| **Ultimate Goal** | **22-24 M ops/sec** | - | **90-100%** | 🌟 Long-term Target |

**Phase 2+1の洞察 (2025-11-01 21:30):**
- ✅ Phase 2+1は**理論通り動作** (+1.8% 改善)
- ❌ 期待値（+12-13%）との乖離は**Mid MT mutexコスト見積もり誤り**が原因
- 💡 シングルスレッド、空registryでは mutex は超軽量（~15 cycles）
- 🎯 **次の主戦場**: malloc/alloc側の27% overheadを攻める！

---

## 📁 関連ドキュメント

- ✅ **perf分析レポート**: `docs/PERF_ANALYSIS_TINY_MIXED.md`
  - 詳細なボトルネック分析
  - perf annotate結果
  - 最適化ロードマップ

- 📊 **ベンチマーク比較**: 他のAIちゃんのレビュー
  - Mixed: HAKMEM 66.7% of mimalloc (weak)
  - Mid MT: HAKMEM 129.4% of mimalloc (strong)

---

## 💡 Next Action (今すぐやること)

### 最初のステップ: free() Fast TLS Check実装

```bash
# 1. hakmem.c のfree()を開いて、Fast TLS checkを追加
vim core/hakmem.c

# 2. 変更箇所
# free() の冒頭 (guard check後) に:
#   - TLS Tiny heap範囲チェック
#   - Hit時は直接 hak_tiny_free()
#   - Miss時は既存フロー

# 3. ビルド & ベンチマーク
make bench_random_mixed_hakmem
./bench_random_mixed_hakmem 200000 400 1

# 4. perf確認
perf record -F 999 -g ./bench_random_mixed_hakmem 200000 400 1
perf report --stdio -n --percent-limit 1
```

---

## 🔥 モチベーション

**目標**: Tiny Mixed Workloadで mimalloc に匹敵する性能

**現状**:
- Mid MT: **138% of mimalloc** ✅ (Already winning!)
- Tiny Mixed: **68% of mimalloc** ⚠️ (Need improvement!)

**今日の目標**:
- Phase 1実装で **77% of mimalloc** (16.46 → 18.6 M ops/sec)

**Let's optimize! 🚀**

---

## 🚀 Phase 4: 構造的最適化戦略（2025-11-02策定）

### 戦略概要

**目標**: mimalloc比90-100%到達（現状68% → 22-24 M ops/sec）

**核心アプローチ**: 
1. **3層への統合**（現在の6-7層を削減）
2. **TLS-BUMP即値化**（hot-class専用最適化）
3. **段階的実装**（即効 → 中期 → 長期）

### Phase 4-A: 即効施策（今週実装）

#### A-1: TLS-BUMP即値化 + hot-class強化 ⚡
**期待効果**: +5-8%（16.53 → 17.5-18.0 M ops/sec）

**実装内容**:
- `g_ultra_bump_shadow`有効化（現在無効）
- hot-class（16/32/64B）を即値化関数に書き換え
- 分岐ゼロ化（cmov版も検討）

**変更ファイル**:
- `core/hakmem_tiny_hot_pop.inc.h` - 即値化版関数
- `core/hakmem_tiny.c` - BUMP有効化
- `core/hakmem_tiny_config.c` - デフォルト設定

**コード例**:
```c
// Before (現在)
void* head = g_fast_head[class_idx];
if (head) {
    g_fast_head[class_idx] = *(void**)head;
    return head;
}

// After (A-1)
uint8_t* p = g_tls_bcur[0];
uint8_t* n = p + 16;  // ← 即値！
if (likely(n <= g_tls_bend[0])) {
    g_tls_bcur[0] = n;
    return p;  // ← 分岐1つ、TLS書き込み1回
}
return tiny_bump_refill_cold(0);  // noinline
```

#### A-2: 小マガジン容量最適化 📦
**期待効果**: +3-5%

**実装内容**:
- class 0-2（8/16/32B）: 128エントリ固定
- class 3+（64B+）: 64エントリ（現状維持）
- L1ヒット率向上、ワーキングセット最適化

**変更ファイル**:
- `core/hakmem_tiny_magazine.h` - 容量定数

### Phase 4-B: 中期施策（1-2週間）

#### B-1: 3層への統合リファクタリング 🏗️
**期待効果**: +10-15%（累積+20-25%）

**実装内容**:
```c
void* hak_tiny_alloc_v4(size_t size) {
    int k = hak_tiny_size_to_class(size);
    if (unlikely(k < 0)) return NULL;
    
    // Layer 1: TLS-BUMP (hot-class専用、即値化)
    if (g_hot_alloc_fn[k]) {
        void* p = g_hot_alloc_fn[k]();
        if (likely(p)) return p;
    }
    
    // Layer 2: 小マガジン128
    TinyTLSMag* mag = &g_tls_mags[k];
    if (likely(mag->top > 0)) {
        return mag->items[--mag->top].ptr;
    }
    
    // Layer 3: Slow (全部noinline/cold)
    return hak_tiny_alloc_slow_v4(size, k);
}
```

**削減対象**:
- ❌ HAKMEM_TINY_BENCH_FASTPATH（SLL系）
- ❌ TinyHotMag複数層
- ❌ wrapper context handling（slow pathへ）
- ❌ 過剰なTLS変数（bcur/bendのみ保持）

#### B-2: ACE簡素化（4ノブ×4状態）
**期待効果**: p95安定化、ホットパス干渉除去

**実装内容**:
- ノブ4つ: BATCH, HOT_THRESHOLD, drain_mask, slab_lg
- 状態4つ: STEADY, BURST, REMOTE_HEAVY, MEM_TIGHT
- tick=150ms、観測は1/16Kサンプル
- ホットパス完全非干渉

### Phase 4-C: 長期施策（2-4週間）

#### C-1: Mid/Large TL-Segment
**期待効果**: Mid/Large単スレで2×改善

**実装内容**:
- 4-16KBページ単位のTLバンプ
- ページ内free-list（連結生成最小化）
- ≥64KBは直map再利用キャッシュ（LRU 64本）

#### C-2: per-core arena + SPSC remote queue
**期待効果**: MT競合削減、2-3×改善

**実装内容**:
- スレッド→core固定
- cross-thread freeはSPSCリング
- allocのついでにdrain（バッチ128-256）
- レジストリcoreシャード化

### マイルストーン更新

| Phase | Target | Expected Result | vs mimalloc | Status |
|-------|--------|-----------------|-------------|---------|
| Baseline | 16.24 M | 16.24 M | 67% | ✅ Baseline |
| Phase 2+1 | 18.4-18.6 M | **16.53 M** | **68%** | ✅ 完了 (+1.8%) |
| ~~Phase 3~~ | ~~17.5-18.0 M~~ | ~~16.57 M~~ | ~~68%~~ | ❌ 失敗 (+0.24%) |
| **Phase 4-A** | **17.5-18.5 M** | - | **72-76%** | ⏳ **実装中** |
| Phase 4-B | 19.0-20.0 M | - | 78-83% | 📋 設計完了 |
| Phase 4-C | 22-24 M | - | 90-100% | 📐 構想中 |

### 48時間ロードマップ

**Day 1 (今日)**:
1. ✅ ChatGPT Pro相談完了
2. ✅ ドキュメント更新
3. 🔧 Phase 4-A1実装（TLS-BUMP即値化）
4. 🔧 ビルド & ベンチマーク

**Day 2 (明日)**:
1. 📊 Phase 4-A1結果分析
2. 🔧 Phase 4-A2実装（小マガジン128）
3. 📐 Phase 4-B詳細設計
4. 🚀 Phase 4-B実装開始判断

### 設計原則

1. **2レジスタ経路死守**: `bcur/bend`だけでalloc完結
2. **層は最小3段**: `TLS-BUMP → 小マガジン → Slow`
3. **ホット/コールド完全分離**: データもコードも64B境界分離
4. **統計はサンプルのみ**: 1/16384、ホットパスに書き込みなし
5. **ヘッダ非更新**: slowで同期、allocはTLSのみ

### 受け入れ基準

- Tiny-Hot 32/64/128B: **mimalloc ≥90-110%**
- Random Mixed: **mimalloc ≥90-105%**（p95安定）
- Mid/Large単: **≥80-100%**（段階的）
- Mid/Large MT: **×2改善** → 20-30%差まで短縮
- RSS: **予算±10%内**、MEM_TIGHTで守る

---

---

## 🚀 Phase 5: mimalloc 分析 & Direct Page Cache 実装

### Phase 5 Overview

**mimalloc 分析完了 (2025-11-03):**
- 47% Gap の根本原因を特定
- 3つの詳細レポート作成
- Phase 3/4-A1 の教訓を確認: linked-list は最適

**Key Findings:**
1. **Direct Page Cache (O(1))** が最大のボトルネック: +15-20%
2. mimalloc も intrusive linked list を使用（Phase 3 の結論は正しい）
3. Gap はマイクロ最適化から来る（データ構造選択ではない）

---

### Phase 5-A: Direct Page Cache 実装

**Goal:** サイズ→ページ lookup を O(log n) から O(1) に

**Current (HAKMEM):**
```c
// Binary search through size classes - O(log n)
int class_idx = hak_tiny_size_to_class(size);  // 3-5 comparisons
TinySlab* slab = g_tiny_pool.free_slabs[class_idx];
```

**Target (mimalloc-style):**
```c
// Direct array index - O(1)
TinySlab* slab = g_tiny_pool.slabs_direct[size >> 3];  // 1 cycle!
```

**Implementation Plan:**

**5-A-1. データ構造拡張**
```c
// core/hakmem_tiny.h
typedef struct {
  TinySlab* free_slabs[TINY_NUM_CLASSES];  // Existing
  TinySlab* full_slabs[TINY_NUM_CLASSES];  // Existing
  TinySlab* slabs_direct[129];             // NEW: Direct cache (8-1024B)
  // ... existing fields
} TinyPool;
```

**5-A-2. Direct cache の更新**
```c
// Slab allocation時に direct cache を populate
static TinySlab* allocate_new_slab(int class_idx) {
  TinySlab* slab = /* ... existing allocation ... */;
  
  // NEW: Populate direct cache for this size class
  size_t block_size = g_tiny_class_sizes[class_idx];
  for (size_t sz = block_size; sz < block_size + 8 && sz <= 1024; sz++) {
    int idx = sz >> 3;  // size / 8
    if (g_tiny_pool.slabs_direct[idx] == NULL) {
      g_tiny_pool.slabs_direct[idx] = slab;
    }
  }
  
  return slab;
}

// Slab exhaustion時に direct cache をクリア
static void move_to_full_list(int class_idx, TinySlab* slab) {
  /* ... existing code ... */
  
  // NEW: Clear direct cache entries pointing to this slab
  for (int i = 0; i < 129; i++) {
    if (g_tiny_pool.slabs_direct[i] == slab) {
      g_tiny_pool.slabs_direct[i] = NULL;
    }
  }
}
```

**5-A-3. Hot path 書き換え**
```c
void* hak_tiny_alloc(size_t size) {
  if (size > 1024 || size == 0) return NULL;
  
  // NEW: O(1) direct cache lookup
  int idx = size >> 3;  // size / 8
  TinySlab* slab = g_tiny_pool.slabs_direct[idx];
  
  if (__builtin_expect(slab != NULL, 1)) {
    // Fast path: direct cache hit
    void* ptr = pop_from_slab(slab);
    if (__builtin_expect(ptr != NULL, 1)) {
      return ptr;  // ← 5 cycles saved!
    }
    // Slab exhausted, clear cache and fallback
    g_tiny_pool.slabs_direct[idx] = NULL;
  }
  
  // Slow path: fallback to existing binary search
  int class_idx = hak_tiny_size_to_class(size);
  return hak_tiny_alloc_slow(class_idx);
}
```

**Expected Results:**
- **Cycle reduction:** 5 cycles per allocation (binary search elimination)
- **Throughput:** +15-20% (16.53 → 19.0-19.8 M ops/sec)
- **Memory overhead:** 1032 bytes (129 pointers)
- **Risk:** Low (fallback to existing path on miss)

**Timeline:** 1-2 days

---

### Phase 5-B: Dual Free Lists (Next)

**Goal:** Local/Remote free list 分離で atomic ops 削減

**Expected Results:** +10-15% additional

---

### Phase 5-C: Branch Hints + Flags (Next)

**Goal:** Predictable branch + bit-packed flags

**Expected Results:** +5-8% additional

---

## 📊 Phase 5 Roadmap

| Phase | Impact | Effort | Risk | Status |
|-------|--------|--------|------|--------|
| 5-A: Direct Cache | +15-20% | 1-2d | Low | 🔜 Next |
| 5-B: Dual Free Lists | +10-15% | 3-5d | Med | ⏳ Pending |
| 5-C: Branch Hints | +5-8% | 1-2d | Low | ⏳ Pending |
| **Total** | **+45%** | **1-2w** | **Low** | **16.53 → 24.0 M ops/sec** |


---

## 🚀 Phase 6: Learning-Based Tiny Allocator (2025-11-02~)

### 戦略: "Simple Front + Smart Back" (Mid-Large HAKX の真似)

**背景:**
- Phase 5-B 失敗: Magazine unification で -71% 💀
- 包括的ベンチマークで根本原因特定: **Fast path が複雑すぎる**
- Mid-Large HAKX は +171% で成功 → 同じアプローチを Tiny に適用

### 目標
- **Phase 1 (1週間)**: Ultra-Simple Fast Path → System の 70-80% (95-108 M ops/sec)
- **Phase 2 (1週間)**: 学習層追加 → System の 80-90% (108-122 M ops/sec)
- **Phase 3 (1週間)**: メモリ効率最適化 → System 同等速度 + メモリで勝つ 🏆

### 設計コンセプト

#### Front: Ultra-Simple (System tcache 風)
```c
void* hak_tiny_alloc(size_t size) {
    int cls = size_to_class_inline(size);
    void** head = &g_tls_cache[cls];
    void* ptr = *head;
    if (ptr) {
        *head = *(void**)ptr;  // 3-4 命令のみ!
        return ptr;
    }
    return hak_tiny_alloc_slow_adaptive(size, cls);
}
```

#### Back: Smart (学習層)
- **Class Hotness Tracking**: どのサイズが hot/cold か学習
- **動的キャッシュ容量調整**: Hot → 256 slots, Cold → 16 slots
- **Adaptive Refill Count**: Miss rate に応じて 16-128 blocks

### Phase 1: Ultra-Simple Fast Path (進行中)

**実装内容:**
1. `core/hakmem_tiny_simple.c` 新規作成
2. TLS Free List ベースの fast path (3-4 命令)
3. SuperSlab からの refill (既存を流用)

**ファイル:**
- `core/hakmem_tiny_simple.c` - シンプル版 Tiny allocator
- `core/hakmem_tiny_simple.h` - ヘッダ

**ベンチマーク:**
- `bench_tiny_hot` で測定
- 目標: System の 70-80%

### 成功の鍵

1. **Fast path を System tcache と同等に** (3-4 命令)
2. **学習層で差別化** (動的容量調整)
3. **Mid-Large の成功パターンを適用** (+171% の実績)

### 関連ドキュメント
- [`benchmarks/results/TINY_PERFORMANCE_ANALYSIS.md`](benchmarks/results/TINY_PERFORMANCE_ANALYSIS.md) - 根本原因分析
- [`benchmarks/results/BENCHMARK_SUMMARY_2025_11_02.md`](benchmarks/results/BENCHMARK_SUMMARY_2025_11_02.md) - 包括的ベンチマーク結果