Linux C/C++；MPI加速不如预期

我正在尝试编写一个MPI应用程序来加速计算机集群的数学算法。但在此之前，我正在做一些基准测试。但最初的结果并没有预期的那么多

测试应用程序具有4个核的线性加速，但5,6个核没有加速应用程序。我正在用Odroid N2平台进行测试。它有6个核。Nproc说有6个内核可用

我是否缺少某种配置？或者我的代码准备得不够好（它基于mpi的一个基本示例）

是否有需要考虑的响应时间或同步时间

以下是我的基于MPI的应用程序的一些措施。我测量了一个函数的总计算时间

• 1芯0.838052秒
• 2芯0.438483秒
• 3芯0.405501秒
• 4芯0.416391秒
• 5芯0.514472秒
• 6芯0.435128秒
• 12芯（3个N2板的4芯）0.06867秒
• 18芯（3个N2板的6芯）0.152759秒

我用raspberry pi4做了一个基准测试，它有4个核心：

• 1芯1.51秒
• 2芯0.75秒
• 3芯0.69秒
• 4芯0.67秒

这是我的基准测试应用程序：

int MyFun(int *array, int num_elements, int j)
{
  int result_overall = 0;

  for (int i = 0; i < num_elements; i++)
  {
    result_overall += array[i] / 1000;
  }
  return result_overall;
}

int compute_sum(int* sub_sums,int num_of_cpu)
{
  int sum = 0;
  for(int i = 0; i<num_of_cpu; i++)
  {
    sum += sub_sums[i];
  }
  return sum;
}

//measuring performance from main(): num_elements_per_proc is equal to 604800
  if (world_rank == 0)
  {
    startTime = std::chrono::high_resolution_clock::now();
  }
  // Compute the sum of your subset
  int sub_sum = 0;
  for(int j=0;j<1000;j++)
  {
    sub_sum += MyFun(sub_intArray, num_elements_per_proc, world_rank);
  }

  MPI_Allgather(&sub_sum, 1, MPI_INT, sub_sums, 1, MPI_INT, MPI_COMM_WORLD);

  int total_sum = compute_sum(sub_sums, num_of_cpu);
  if (world_rank == 0)
  {
    elapsedTime = std::chrono::high_resolution_clock::now() - startTime;
    timer = elapsedTime.count();
  }

intmyfun（int*array，intnum\u元素，intj）
{
int结果_总体=0；
对于（int i=0；i0.36
6048个样本，MyFun呼叫1000000次：
1.43->0.7->0.47->0.35
6048个样本，MyFun呼叫10000000次：
14.43->7.08->4.72->3.59

更新2:
顺便说一下，当我在linux中列出CPU信息时，我得到了以下信息：

这正常吗？
四核A73核不存在。它说有两个3-3核的插座

以下是sar的CPU利用率：
似乎所有的核心都被利用了

我通过加速创建了一些绘图：

看起来用浮点计算而不是int有点帮助，但是核心5-6没有太大帮助。我认为内存带宽是可以的。当使用little.BIG架构平均利用所有CPU时，这是正常行为吗？
如果
num\u elements
很大，那么您的程序可能内存受限，并且在添加新代码时不会看到太多的速度提升核心。您可以执行简单的分析。取
MyFun
的内部循环，计算执行一次迭代所需的周期数。计算从内存读取的字节数（假设
result\u total
保存在寄存器中）。将处理器频率除以循环计数，再乘以字节数。将最大内存带宽除以该值，即可得到循环的独立副本数的理论限制，该循环可以同时运行，而不会影响每个副本的性能。感谢您的评论。元素总数为604800。这导致了2.3GB的RAM。N2有4GB的RAM。在临床上，RAM被分为第一部分，简单内存为3.5GB，还有一个1GB的Z RAM分区。不管怎样，你是说缓存绑定还是RAM绑定？我将用不同的大小做一个测试。我说的是最近级别的内存层次的带宽chy是两个核心之间共享的，并且大到足以容纳所有数据。如果我们谈论的是2,3 GB的数据，那显然是RAM。但是604800个整数实际上只需要几MB，因此它们可能也可以放入二级缓存。请确保您告诉MPI库将列组固定到适当的CPU核心，因为2的SoC是大的。小的，将两个核心集群混合在一个工作中，使每个级别都有相同的工作量，这是非常低效的。是的，小的核心减慢了一切。如果你想充分利用所有6个核心，你应该采用适合异构体系结构的工作分配策略，例如，分配任务的策略友好地或根据某些性能度量调整任务大小的程序。如果
num\u elements
很大，则您的程序可能内存不足，并且在添加新内核时不会看到太大的速度。您可以执行简单的分析。使用
MyFun
的内部循环，计算执行一次迭代所需的周期数。计算h它从内存中读取的字节数（假设
result\u总的来说
保存在寄存器中）。将处理器频率除以循环计数，再乘以字节数。将最大内存带宽除以该值，即可得到循环的独立副本数的理论限制，该循环可以同时运行，而不会影响每个副本的性能。感谢您的评论。元素总数为604800。这导致了2.3GB的RAM。N2有4GB的RAM。在临床上，RAM被分为第一部分，简单内存为3.5GB，还有一个1GB的Z RAM分区。不管怎样，你是说缓存绑定还是RAM绑定？我将用不同的大小做一个测试。我说的是最近级别的内存层次的带宽chy是两个核心之间共享的，并且大到足以容纳所有数据。如果我们谈论的是2,3 GB的数据，那显然是RAM。但是604800个整数实际上只需要几MB，因此它们可能也可以放入二级缓存。请确保您告诉MPI库将列组固定到适当的CPU核心，因为2的SoC是大的。小的，将两个核心集群混合在一个工作中，使每个级别都有相同的工作量，这是非常低效的。是的，小的核心减慢了一切。如果你想充分利用所有6个核心，你应该采用适合异构体系结构的工作分配策略，例如，分配任务的策略友好地或根据某个绩效调整任务大小的人