hakmem/docs/analysis/MID_LARGE_CPU_HOTPATH_ANALYSIS.md

MID/Large CPU Hotpath (Phase54)

• 条件: ./bench_mid_large_mt_hakmem 1 1000000 400 1 (Release)
  HAKMEM_TINY_HEAP_PROFILE=C7_SAFE, HAKMEM_TINY_C7_HOT=1, HAKMEM_TINY_HOTHEAP_V2=0, HAKMEM_TINY_LARSON_FIX=1
• スループット: HAKMEM ≈28.1M ops/s（mimalloc 54.2M / system 15.3M は Phase53 より）
• perf stat (cycles:u): IPC≈2.4、page-faults≈7.4k（Phase53 と同等）

cycles:u ホットシンボル（self%）

• hak_pool_try_alloc.part.0 … 14.7% （pool alloc ホットパス）
• worker_run … 9.2% （ドライバ側のループと malloc 呼び出しを含む）
• free / hak_free_at.constprop.0 … ~9–10%（glibc free 連携＋自前 free）
• __memset_avx2_unaligned_erms … ~9%（pool 初期化/clear と推定）
• mid_desc_lookup … 3.8%
• hak_super_lookup … 1.4%
• hak_pool_free.part.0 … 0.7%

所感

• pool 系（hak_pool_try_alloc / hak_pool_free）と free/memset が支配的で、mid_desc_lookup と super_lookup も目立つ。
• kernel 枠の大きな inclusive% は free/memset 配下にぶら下がっており、userland 側の pool/front の命令数削減が効果的そう。

Phase55 方針（pool allocator ホットパス軽量化）

• スコープ: core/hakmem_pool.c / core/hakmem_smallmid.c / core/box/pool_* の pool fast path。
• hak_pool_try_alloc を直線化:
  • 「TLS/local freelist hitなら即 return」を先頭に寄せ、debug/統計/slow は unlikely 側へ。
  • mid_desc_lookup/クラス情報は入口で 1 回だけ計算し、TLS へのキャッシュを検討。
• hak_pool_free / hak_free_at:
  • self-thread free は pool push を最優先にし、cross-thread/debug は unlikely に寄せる。
  • free 時の memset/初期化が不要なケースを洗い出し、スキップ余地をメモ。
• mid_desc_lookup のキャッシュ:
  • size→class→desc を入口で 1 回だけ決める仕組み（既存キャッシュの再利用も含め）を検討。
• 成功ライン（bench_mid_large_mt_hakmem 1 1000000 400 1, Release):
  • ops/s を 28–29M → 30–32M（+5〜10%）へ。
  • perf report で hak_pool_try_alloc + free 周辺 self% が数ポイント低下。

Phase56 結果（pool fast path 初期実装）

• 変更: PoolBlock→user 変換をヘルパに寄せ、TLS ring/lo pop と self-thread free push を直線化。owner 判定は mid_desc の 1 回 lookup で共有。
• ベンチ（C6-heavy, ws=256, iters=20k, C7_SAFE, v2 OFF）: 25.9M ops/s（目標 30–32M に届かず、前回 28–29M から回帰）。
• perf stat（同条件 1M/400）: cycles=225,766,496、instructions=528,335,613、task-clock=57.88ms、ops/s≈25.7M。
• 所感: fast-path整理だけでは効果薄く、むしろ低下。pool 内の memset/desc まわりやリング補充順序をより大胆に削らないと改善しない。次のステップとして追加の枝削減・キャッシュ導入を検討。

Phase MD1（mid_desc_lookup TLS キャッシュ）

• 目的: C6-heavy/mid で目立つ mid_desc_lookup を TLS 1 エントリでキャッシュし、サイズが同じリクエストが続くケースで self% を削る。
• ENV ゲート: HAKMEM_MID_DESC_CACHE_ENABLED=1（デフォルト OFF）。miss 時は従来の mid_desc_lookup にフォールバック。
• baseline self%: mid_desc_lookup≈3.8%（Phase54 perf, C7_SAFE）。
• A/B（C6_HEAVY_LEGACY_POOLV1, 1M/400, flatten OFF, zero=full）:
  • cache OFF: 28.90M ops/s
  • cache ON : 29.83M ops/s（+3.2%）segv/assert なし。
• Mixed 16–1024B (C7_SAFE front v3/LUT/fast classify ON): cache OFF 44.83M → ON 44.94M（+0.3%）。perf (cycles:u, release) では mid_desc_lookup は上位に出ず、self% 影響はごく小さい。

Phase57 回帰トリアージ（pool v2 をゲート化）

• 変更: HAKMEM_POOL_V2_ENABLED を追加し、v1/v2 の pool 実装を env で切替。細分スイッチとして HAKMEM_POOL_V2_BLOCK_TO_USER / HAKMEM_POOL_V2_TLS_FAST_PATH を用意（デフォルト ON, v2 時のみ有効）。
• ベンチ（C6-heavy, 1M/400, Release）:
  • v1 (POOL_V2_ENABLED=0): 27.40M ops/s
  • v2 (POOL_V2_ENABLED=1): 24.73M ops/s
• 所感: v2 の変更が回帰要因と判明。標準は v1 に戻し、スイッチ単位の A/B でどの改変が悪いかを切り分ける方針。

Phase80: Pool v1 flatten 初回 A/B（C6-heavy）

• スコープ: pool v1 の自スレッドホットパス（TLS ring/lo hit）を別 Box として直線化し、mid/smallmid（C6-heavy）での ops/s 向上を狙う。pool v2 は引き続き研究箱のまま触らない。
• 実装: core/hakmem_pool.c に hak_pool_try_alloc_v1_flat / hak_pool_free_v1_flat を追加し、TLS ring/lo hit 時は最小限の分岐だけで pop/push する経路を用意。miss 時や cross-thread/slow は従来の _v1_impl にフォールバックする構造にし、ENV HAKMEM_POOL_V1_FLATTEN_ENABLED（デフォルト0）と HAKMEM_POOL_V1_FLATTEN_STATS で切替・統計を制御。
• ベンチ条件: ./bench_mid_large_mt_hakmem 1 1000000 400 1（Release）、HAKMEM_BENCH_MIN_SIZE=257, MAX_SIZE=768, HAKMEM_TINY_HEAP_PROFILE=C7_SAFE, HAKMEM_TINY_C7_HOT=1, HAKMEM_TINY_HOTHEAP_V2=0, HAKMEM_SMALL_HEAP_V3_ENABLED=1, HAKMEM_SMALL_HEAP_V3_CLASSES=0x80, HAKMEM_POOL_V2_ENABLED=0, HAKMEM_POOL_V1_FLATTEN_STATS=1。
• A/B 結果:
  • flatten OFF (POOL_V1_FLATTEN_ENABLED=0): Throughput ≈ 23.12M ops/s、[POOL_V1_FLAT] alloc_tls_hit=0 alloc_fb=0 free_tls_hit=0 free_fb=0。
  • flatten ON (POOL_V1_FLATTEN_ENABLED=1): Throughput ≈ 25.50M ops/s（約 +10%）、alloc_tls_hit=499,870 alloc_fb=230 free_tls_hit=460,450 free_fb=39,649。
• 所感:
  • Pool v1 の TLS fast path を分離・直線化するだけで、狙っていた +5〜10% の上限付近まで改善が出た。まだ free_fb がそこそこ残っており、page_of / 自スレ判定の精度を上げて free_fb を減らす余地がある。
  • デフォルト運用は安全側を維持するため HAKMEM_POOL_V1_FLATTEN_ENABLED=0 のままとし、C6-heavy/mid ベンチや実験時にのみ flatten 経路を ON にする Box として扱う。

Phase81: Pool v1 flatten Phase2（free_fb 理由分解）

• 変更: flatten stats に free fallback の内訳を追加（page_null / not_mine / other）。free で mid_desc が取れない場合は page_null、owner 不一致や TLS 無効による fallback は not_mine、それ以外は other としてカウント。
• ベンチ条件: ./bench_mid_large_mt_hakmem 1 1000000 400 1（Release）、HAKMEM_TINY_HEAP_PROFILE=LEGACY, HAKMEM_TINY_HOTHEAP_V2=0, HAKMEM_POOL_V2_ENABLED=0, HAKMEM_POOL_V1_FLATTEN_ENABLED=1, HAKMEM_POOL_V1_FLATTEN_STATS=1。
• A/B:
  • flatten OFF: 23.68M ops/s、stats すべて 0。
  • flatten ON : 25.90M ops/s（約 +9.4%）、alloc_tls_hit=499,870 alloc_fb=230 free_tls_hit=460,060 free_fb=40,039 page_null=40,039 not_mine=0 other=0。
• 所感: free fallback のほぼすべてが「mid_desc が取れず page=null」で発生している。owner mismatch はゼロ。今後は page_of/mid_desc 判定の精度を上げることで free_fb を減らす余地がある。

Phase82: mid_desc マスク整合による free_fb 削減

• 変更: mid_desc_register/lookup/adopt が扱うページアドレスを POOL_PAGE_SIZE で正規化し、64KiB に未アラインな mmap でも mid_desc_lookup が一致するように修正。これにより false negative の page_null を減らす。
• ベンチ（同条件、flatten ON, Release, tiny/pool v2 OFF, LEGACY tiny）:
  • flatten OFF: 23.68M ops/s（参考値・前フェーズと同じ）。
  • flatten ON : 26.70M ops/s（約 +13% vs OFF）、alloc_tls_hit=499,871 alloc_fb=229 free_tls_hit=489,147 free_fb=10,952 page_null=3,476 not_mine=7,476 other=0。
• 所感: page_null が大幅減（≈40k→≈3.4k）。not_mine が顕在化したため、次は owner 判定/自スレ判定の精度を軽く見直す余地がある。デフォルトは引き続き flatten OFF（安全側）で、bench/実験時のみ ON。

Phase 82 Final: mid_desc initialization race fix と包括的 A/B ベンチ

根本原因の修正

• Phase 82 の full flatten が C7_SAFE モードでクラッシュしていた原因: mid_desc_adopt() が未初期化ミューテックスにアクセスする race condition
  • C7_SAFE では TinyHeap ルーティングが C7-only であり、Pool が通常より早期に呼ばれる
  • mid_desc_init_once() が mid_desc_adopt() より前に保証されていなかった
• 修正: hak_pool_init_impl() 冒頭で mid_desc_init_once() を強制実行 → 初期化順序を確定化
  • この修正は本線（常に有効、すべてのプロファイルで）

包括的ベンチマーク結果 (C6_HEAVY_LEGACY_POOLV1, Release)

フェーズ	10K ops/s	100K ops/s	1M ops/s	特記事項
Phase 1 (ベースライン)	3.03M	14.86M	26.67M	最適化なし、基準値
Phase 2 (Zero Mode Header)	+5.0%	-2.7%	-0.2%	ML1: 小規模ワークロード向け
Phase 3 (Full Flatten)	+3.7%	+6.1%	-5.0%	中規模（100K）で最適化効果
Phase 4 (Combined)	-5.1%	+8.8%	+2.0%	最高パフォーマンス: 100K で +8.8%
Phase 5 (C7_SAFE Safety)	NO CRASH	NO CRASH	NO CRASH	クラッシュ完全回避 ✅

構成別デフォルト値（本線ポリシー）

C7_SAFE プロファイル:

• HAKMEM_POOL_V1_FLATTEN_ENABLED=0 （デフォルト OFF）
• HAKMEM_POOL_ZERO_MODE=full （デフォルト: フル zero、安全側）
• mid_desc_init_once() 強制実行（クラッシュ防止、常に有効）
• ベンチ時の opt-in: HAKMEM_POOL_V1_FLATTEN_ENABLED=1 / HAKMEM_POOL_ZERO_MODE=header で切り替え可能

LEGACY / 研究用プロファイル:

• HAKMEM_POOL_V1_FLATTEN_ENABLED=0 （デフォルト OFF）
• HAKMEM_POOL_ZERO_MODE=full （デフォルト: フル zero）
• ベンチ時のみ HAKMEM_POOL_V1_FLATTEN_ENABLED=1 で opt-in

ワークロード特性別の最適化効果

ワークロードサイズ	最適な構成	改善率	備考
小規模 (10K)	Phase 2 (Zero Mode)	+5.0%	オーバーヘッド増で複合モードは -5.1%
中規模 (100K)	Phase 4 (Combined)	+8.8%	最高効果を示す領域
大規模 (1M)	Phase 4 (Combined)	+2.0%	キャッシュ圧力で効果減少

所感

mid_desc 初期化順序の修正（mid_desc_init_once() の強制実行）は本線として常に有効。これにより：

• C7_SAFE モードでの未初期化ミューテックスクラッシュを完全排除
• Flatten と Zero Mode は箱として組み込まれ、ENV で opt-in/out が可能
• デフォルト構成では両機能とも OFF（安全側）維持

性能目標（+13–25%）には未到達だが、安全性の確保と中規模ワークロードでの +8.8% 改善 が主要な成果。1M 反復での -5%〜-0.2% 回帰は、より大規模データセットでのキャッシュ効率悪化に起因する可能性があり、今後の最適化テーマ。