# Phase PERF-ULTRA-REFILL-OPT-1 計画：C7 ULTRA refill パス最適化

## 背景

### 現状分析 (PERF-ULTRA-REBASE-4)

Mixed 16-1024B ワークロード（iters=10M, ws=8192）のホットパス分析結果：

| 関数 | self% | 最適化状況 |
|------|-------|--------|
| free (dispatcher) | 25.48% | ✅ snapshot 済み（ENV/route 初期化時のみ） |
| malloc (dispatcher) | 21.13% | ✅ LUT 化済み（size_to_class/route 両方 0 calls） |
| tiny_c7_ultra_alloc | 7.66% | ⚠️ 既に最適化済み（直線化限界）|
| tiny_c7_ultra_free | 3.50% | ✅ TLS push + segment learning |
| so_free | 2.47% | ❌ v3 backend（最適化機会未調査） |
| so_alloc_fast | 2.39% | ❌ v3 backend（最適化機会未調査） |
| **tiny_c7_ultra_page_of** | **1.78%** | **🎯 refill path（最適化ターゲット）** |
| so_alloc | 1.21% | - |
| classify_ptr | 1.15% | - |

### 重要な発見

1. **Dispatcher/Gate レベルの最適化は既に完了**
   - free dispatcher (25%) = malloc/free の C API コール + routing overhead
   - malloc dispatcher (21%) = 内部的には LUT/ULTRA で最適化済み
   - これ以上削減するには architecture レベルの再設計が必要

2. **次のボトルネックは C7 ULTRA 内部**
   - alloc (7.66%) + free (3.50%) + refill (1.78%) = **12.94%**
   - このうち refill (1.78%) が新規ボトルネック

3. **Refill パスが visible に**
   - C7 ULTRA は page を「必要に応じて allocate」
   - refill 呼び出しが所々で発生し、tiny_c7_ultra_page_of が呼ばれている

---

## 目的

**C7 ULTRA refill パスを最適化し、tiny_c7_ultra_page_of の 1.78% を削減**

期待効果：
- refill path 削減で 0.5-1% の削減
- 全体スループット +0.5-2M ops/s（30M → 30.5-32M ops/s）

---

## 現状の C7 ULTRA refill 構造

### TLS キャッシュ管理

C7 ULTRA は以下の構造を持つ：
```c
typedef struct TinyC7UltraBox {
    // TLS freelist（alloc pop 用）
    void* freelist[128];
    uint16_t count;

    // Segment 情報（free で学習）
    uintptr_t seg_base, seg_end;
    tiny_c7_ultra_segment_t* cached_segment;

} TinyC7UltraBox;
```

### Refill のトリガー

1. **Alloc 側**:
   - TLS freelist が empty → refill_cold パスへ
   - segment から新しいページを割り当て
   - 128 個のブロックを freelist に詰める

2. **Retire 側**:
   - freelist が full → retire_cold へ
   - ページを segment に返す

### tiny_c7_ultra_page_of の役割

refill/retire 時に「ページを特定するため」に呼ばれる：
```c
tiny_c7_ultra_page_meta_t* tiny_c7_ultra_page_of(void* p,
                                             tiny_c7_ultra_segment_t** out_seg,
                                             uint32_t* out_page_idx) {
    tiny_c7_ultra_segment_t* seg = tiny_c7_ultra_segment_from_ptr(p);
    if (!seg) return NULL;

    // Offset 計算と page index 取得
    uintptr_t offset = (uintptr_t)p - (uintptr_t)seg->base;
    uint32_t idx = (uint32_t)(offset / seg->page_size);

    // Bounds check
    if (idx >= seg->num_pages) return NULL;

    return &seg->pages[idx];
}
```

**cost breakdown**:
- tiny_c7_ultra_segment_from_ptr(): O(1) ptr lookup
- offset 計算: 固定コスト（1-2 cycles）
- page_size division: 可変（seg->page_size がキャッシュマイス可能）
- bounds check: 1-2 cycles

---

## 最適化候補

### Option 1: Page size を固定に（最大効果）

**現状**:
```c
size_t page_size;  // seg ごとに異なる可能性
uint32_t idx = (uint32_t)(offset / seg->page_size);  // division
```

**問題**: `seg->page_size` が毎回参照 → cache line miss 可能性

**最適化案**:
- TINY_C7_ULTRA_PAGE_SIZE を macro 定義（64KiB 固定と仮定）
- division → right shift に最適化（`offset >> PAGE_SHIFT`）

**期待**: division 命令削減で 0.1-0.2% 削減

**条件**: C7 ULTRA segment の page_size が常に一定であることを確認

---

### Option 2: Segment learning を alloc 側に移動（中程度効果）

**現状**:
- free 時に segment を学習（initial miss）
- その後 free はキャッシュされた seg_base/seg_end でチェック

**提案**:
- alloc refill 時に segment を学習/cache
- refill が segment を既に知っている → segment_from_ptr が不要に

**期待**: refill パスで segment_from_ptr call 削減 → 0.2-0.3%

---

### Option 3: Page lookup の TLS cache（小程度効果）

**提案**:
- 直前に lookup した page を TLS に cache
- 同じページに対する refill 呼び출しなら cache hit

**期待**: 0.1% 程度（alloc batch が小さいため）

---

## 実装計画（推奨順）

### Phase REFILL-OPT-1a: Page Size Macro 化

1. **確認**:
   - C7 ULTRA segment の page_size 値を記録
   - 常に 64KiB（または固定値）か確認

2. **実装**:
   - TINY_C7_ULTRA_PAGE_SIZE macro を定義
   - tiny_c7_ultra_page_of で `offset >> TINY_C7_ULTRA_PAGE_SHIFT` に変更
   - tiny_c7_ultra_segment_t から page_size を削除（optional）

3. **テスト**:
   - Mixed bench: 29.5-32M ops/s 範囲で確認
   - SEGV/assert なし

4. **計測**:
   - perf で tiny_c7_ultra_page_of self% が 1.78% → 1.5% 以下か確認

### Phase REFILL-OPT-1b: Segment Learning in Alloc

1. **実装**:
   - tiny_c7_ultra_alloc_refill で segment を学習して cache
   - tiny_c7_ultra_segment_from_ptr 呼び出し削減

2. **テスト同様**

---

## リスク評価

| リスク | 確率 | 対策 |
|--------|------|------|
| page_size が可変 | 低 | 確認 phase で判定、fallback 用 code keep |
| segment cache miss | 低 | TLS cache 容量確保 |
| allocation pattern 変化 | 低 | multi-thread test で確認 |

---

## 成功条件

- ✅ Build 成功、warning なし
- ✅ Mixed bench で SEGV/assert なし
- ✅ Throughput 回帰なし（≥ −2%）
- ✅ tiny_c7_ultra_page_of self% が 1.5% 以下

---

## 参考資料

- `PERF_ULTRA_REBASE_4.md`: 詳細計測結果
- `TINY_C7_ULTRA_DESIGN.md`: C7 ULTRA 設計概要
- `docs/analysis/ALLOC_GATE_ANALYSIS.md`: Gate 分析