析核瓶頸

系統察 GPU 核為算束、記束、或延束，以 roofline 析、占用算、每磚算/載比、SASS 指察為基。生擇優策之決矩（cp.async、warp 交織、分磚、雙緩、或 CuAssembler 手調）。

用時

• 調 CUDA 核前——立基線、分瓶類乃用
• 初版核寫成後識優路乃用
• 核低於期之理峰乃用
• 擇於 cp.async、大磚、或重構算法之間乃用

入

• 必要：編核（

  .cubin

  或

  .cu

  源附建命）
• 必要：以 CUDA 事件計時之基準架
• 必要：題維（如 GEMM 之 M、N、K；注意之 seq_len、heads、head_dim）
• 可選：目 GPU 架構（默：GA104 / sm_86 / RTX 3070 Ti）
• 可選：期峰用比以資比較
• 可選：前剖析數（Nsight Compute 報）

法

第一步：量基線

以 CUDA 事件（

BenchTimer

）行核，記時於毫秒。算有效吞量：

1. 編核若未建：

   nvcc --cubin -arch=sm_86 -O2 -o kernel.sm_86.cubin kernel.cu
   nvcc -arch=sm_86 -O2 -o bench bench.cu -lcuda -I../../phase2/common
   

2. 行以代表之題大，確預熱先於量：

   ./bench 4096 4096 4096
   

3. 記核時於毫秒，以 CUDA 事件（非牆鐘）。
4. 算有效 GFLOPS 與有效帶寬：
   • GEMM：

     effective_gflops = (2 * M * N * K) / (time_ms / 1000) / 1e9

   • 帶寬限核：

     effective_bw = total_bytes / (time_ms / 1000) / 1e9

   • Flash Attention：

     effective_gflops = (4 * batch * heads * seq_len^2 * head_dim) / (time_ms / 1000) / 1e9

得： 基線：核時於毫秒、有效 GFLOPS、有效帶寬。

敗則： 察核啟無訛（

CHECK_CU

宏）。驗預熱先於量。確題維大以飽 GPU（小題或瓶於啟耗）。

第二步：分 roofline 類

算算強度且對機衡點分類：

1. 算算強度：

   AI = FLOPs / bytes_loaded_from_global_memory

   。只計自 DRAM 載之獨字節（非共記或寄存器之重用）。
2. 查機衡點：

   balance = peak_compute / peak_bandwidth

   。
3. 分類：若

   AI < balance

   ，核為記束。若

   AI > balance

   ，核為算束。

GA104（RTX 3070 Ti）參值：

Resource	Peak	Unit
FP32 FFMA	21.7	TFLOPS
FP16 Tensor Core (HMMA)	174	TFLOPS
INT8 Tensor Core (IMMA)	696	TOPS
DRAM Bandwidth	608	GB/s
L2 Cache	4	MB
SMs	48

導衡點：

Precision	Balance Point (FLOP/byte)
FP32 FFMA	21700 / 608 = 35.7
FP16 TC	174000 / 608 = 286.2
INT8 TC	696000 / 608 = 1144.7

4. 算達比：

   attained = effective_throughput / peak_throughput

   。若記束：比有效帶寬於 608 GB/s。若算束：比有效 GFLOPS 於相關峰。

得： 分為算束、記束、或延束（低占用致非算非記飽）附數據之由。

敗則： 再核字節計。察重讀（如直卷二無 im2col 有 9 倍）。若非算非記飽，核或延束（見第三步）。

第三步：算占用

依啟配與資源用定每 SM 之活躍 warp：

1. 取資源用：

   nvcc --cubin -arch=sm_86 -O2 --resource-usage -o kernel.sm_86.cubin kernel.cu 2>&1 | grep -E 'registers|smem'
   

2. 啟配：

   warps_per_block = threads_per_block / 32

   。
3. 算每 SM 塊數自各限因：
   • 寄存器限：

     floor(65536 / (registers_per_thread * threads_per_block))

   • 共記限：

     floor(available_smem_per_SM / smem_per_block)

     — 見第六步之崖
   • warp 限：

     floor(48 / warps_per_block)

     （GA104 最：48 warp/SM）
   • 塊限：GA104 最 16 塊/SM
4. 實每 SM 塊數 =

   min(register_limit, smem_limit, warp_limit, block_limit)

   。
5. 活躍 warp/SM =

   blocks_per_SM * warps_per_block

   。
6. 要閾：GA104 藏延需 8 warp/SM。低於 8 = 結構之患致延束行。

得： 占用表顯每 SM 塊數、活躍 warp/SM、限因（寄存器、共記、warp）。

敗則： 察

cuFuncSetAttribute

為動共記。驗

--resource-usage

報合實啟配。若寄存器計異高，試

--maxrregcount=N

以限（換寄存器溢為占用）。

第四步：算每磚之算/載比

自 SASS（非源碼）計每 K 磚之算指與載字節：

1. 反彙：

   cuobjdump -sass kernel.sm_86.cubin > kernel.sass
   

2. 每磚算指（於一 K 磚之內環）：

   • grep -c 'HMMA' kernel.sass

     — FP16 Tensor Core 操

   • grep -c 'IMMA' kernel.sass

     — INT8 Tensor Core 操

   • grep -c 'FFMA' kernel.sass

     — FP32 融乘加
3. 每磚全域載：

   • grep -c 'LDG' kernel.sass

     — 全域記載
   • 乘以每載字節（LDG.128 典為 16 字節）
4. 算比：每磚

   compute_ops / load_ops

   。
5. 分類 以 cp.async 決閾（自 gpu_reflections.md 洞見 2）：
   • 高（>20:1）：cp.async 淨負；warp 交織已藏 DRAM 延。注算法之變。參：Flash Attention 每磚 64 HMMA = 高比，cp.async 量測 -5%。
   • 中（5-20:1）：cp.async 或助，測二路。
   • 低（<5:1）：cp.async 強助；載主而異步複藏延。參：IGEMM 每磚 8 IMMA = 低比，cp.async 量測 +35%。

得： 算/載比附分類（高/中/低）與 cp.async 薦。

敗則： 自 SASS 反彙計，非源碼——編譯或融、除、重排指。確只計內環（K 磚迭）內之指，非全核。

第五步：察 SASS 指

察全 SASS 指混與停碼：

1. 反彙（若第四步未為）：

   cuobjdump -sass kernel.sm_86.cubin > kernel.sass
   

2. 計要指類：

   grep -c 'HMMA.16816' kernel.sass      # FP16 Tensor Core
   grep -c 'IMMA.16816' kernel.sass      # INT8 Tensor Core
   grep -c 'FFMA' kernel.sass            # FP32 fused multiply-add
   grep -c 'LDGSTS' kernel.sass          # cp.async (global->shared)
   grep -c 'LDG' kernel.sass             # Global load
   grep -c 'STS' kernel.sass             # Shared store
   grep -c 'LDS' kernel.sass             # Shared load
   grep -c 'BAR.SYNC' kernel.sass        # Barrier synchronization
   grep -c 'SHFL' kernel.sass            # Warp shuffle (reductions)
   grep -c 'MUFU' kernel.sass            # Special function unit
   

3. 察關鍵指之停碼：

   grep 'HMMA' kernel.sass | head -5     # Expect S08 minimum (hardware constraint)
   grep 'IMMA' kernel.sass | head -5     # Compiler emits S04, reducible to S02 via CuAssembler
   grep 'FFMA' kernel.sass | head -5     # Check for S04 (reducible to S01 on independent FFMAs)
   

4. 識優目：
   • HMMA S08 停：Ampere 硬件最，不可減。注他處。
   • IMMA S04 停：編譯器保守。CuAssembler 可緊至 S02（量測 15-20% 益）。
   • FFMA S04 停：若獨，可經 CuAssembler 減至 S01。
   • BAR.SYNC 過多：或示管段間過度同步。

得： 指計表與停碼要，附所識之優目。

敗則： 確

cuobjdump

架構合核編之目（皆 sm_86）。若 SASS 空，cubin 或損——再編。

第六步：察共記之崖

定共記用是否越架構之占用崖：

1. 讀每塊共記自

   --resource-usage

   出（第三步）或

   cuobjdump --res-usage kernel.sm_86.cubin

   。
2. 比崖閾：
   • GA104（sm_86）：每 SM 最 100 KB 共記。崖於每塊 50 KB。
   • 實測：每塊 48 KB → 2 塊/SM（佳），每塊 56 KB → 1 塊/SM（二倍退）。
3. 若越崖（共記 > 每塊 50 KB）：
   • 每 SM 塊降為 1，活躍 warp 降為 warps_per_block（典 4）。
   • 期二倍退自暴露之 DRAM 停。
4. 察雙緩之影：雙緩倍增共記用。若當前共記 30 KB，雙緩 = 60 KB 越崖。評異步之益是否勝占用之失。
5. 記每塊共記、每 SM 塊數、是否越崖。

得： 每塊共記值附每 SM 塊數、明述 50 KB 崖是否越。

敗則： 若越崖而占用為瓶，優策必變：減磚使共記於 50 KB 下，或納 1 塊/SM 而以更高算/載比補（更多寄存器重用、更長 K 磚）。

第七步：建決矩

合二至六步之發現為優策：

Condition	Strategy
Memory-bound + low compute/load ratio (<5:1) + smem under cliff	Software pipelining with cp.async (LDGSTS). Overlap global loads with compute.
Memory-bound + high compute/load ratio (>20:1) + 8+ warps	Warp interleaving already hides latency. Focus on algorithmic changes: implicit GEMM, split-Q, im2col.
Compute-bound + FFMA-heavy	CuAssembler stall code tightening: S04 -> S01 on independent FFMAs.
Compute-bound + HMMA-heavy	S08 is hardware minimum, cannot reduce. Increase tile reuse (larger M/N tiles, longer K-loop).
Compute-bound + IMMA-heavy	CuAssembler: S04 -> S02 on IMMA instructions (compiler is conservative).
Latency-bound (low occupancy, neither saturated)	Reduce smem or registers to get more blocks/SM. Get above 8 warps/SM.
Smem above cliff	Reduce tile size or restructure to get smem/block under 50 KB (GA104).

1. 排諸可策按期益，用算/載比與占用數。
2. 估益每策依核距頂之遠。
3. 標衝：如 cp.async 倍共記（或越崖）、大磚增寄存器壓（或減占用）。

得： 排序之薦優列附預益與潛衝。

敗則： 若無明勝者，行微基準獨測各策（如獨試 cp.async、獨試小磚）以量實影而後合。

第八步：書發現

生結構化瓶頸報：

1. 基線：核時、有效 GFLOPS、有效帶寬、題維。
2. Roofline 位：算強度、分類、達比。
3. 占用：每 SM 塊、活躍 warp/SM、限因。
4. 算/載比：比值、分類（高/中/低）、cp.async 薦。
5. SASS 要：指計表、停碼發現、CuAssembler 目。
6. 共記崖：每塊共記、每 SM 塊、崖狀。
7. 薦：排序之優策附益估。

## Bottleneck Analysis Report: [kernel_name]

### Baseline
- Problem: [dimensions]
- Kernel time: [X] ms
- Effective GFLOPS: [Y] | Effective BW: [Z] GB/s

### Roofline Classification
- Arithmetic intensity: [AI] FLOP/byte
- Balance point: [BP] FLOP/byte ([precision])
- Classification: **[compute|memory|latency]-bound**
- Attained fraction: [X]% of peak

### Occupancy
| Resource | Per Block | Limit/SM | Blocks/SM |
|----------|-----------|----------|-----------|
| Registers | [N]/thread | 65536 | [B] |
| Shared mem | [X] KB | 100 KB (cliff: 50 KB) | [B] |
| Warps | [W] | 48 | [B] |
| **Limiting** | | | **[min(B)]** |
- Active warps/SM: [W] ([sufficient|insufficient] for latency hiding)

### Compute/Load Ratio
- Compute ops/tile: [N] [HMMA|IMMA|FFMA]
- Load bytes/tile: [N] bytes ([N] LDG x [N] bytes)
- Ratio: [X]:1 — **[high|medium|low]**
- cp.async recommendation: [beneficial|neutral|detrimental]

### SASS Instruction Mix
| Instruction | Count | Notes |
|-------------|-------|-------|
| HMMA.16816 | [N] | Stall: S08 (hardware min) |
| IMMA.16816 | [N] | Stall: S04 (reducible to S02) |
| FFMA | [N] | Stall: S04 (reducible to S01) |
| LDG | [N] | |
| LDGSTS | [N] | cp.async |
| BAR.SYNC | [N] | |

### Smem Cliff
- Smem/block: [X] KB — [under|over] 50 KB cliff
- Blocks/SM: [B] — [no occupancy loss|occupancy halved]

### Recommended Optimizations (ranked)
1. [Strategy] — estimated [X-Y]% gain
2. [Strategy] — estimated [X-Y]% gain
3. [Strategy] — estimated [X-Y]% gain

得： 全 markdown 報，核優吏或人開可食。

敗則： 以異題大（如 1024、2048、4096、8192）再行以確發現非大特。小題或顯延束而尺度上實瓶乃記帶寬。

驗

• 基線以 CUDA 事件量（非牆鐘）
• Roofline 分類已定（算/記/延束）
• 占用已算附限因
• 每磚算/載比自 SASS 算
• SASS 指混與停碼已書
• 共記崖對架構閾已察
• 決矩施而薦策
• 發現書於結構化報

陷

• 重讀之乘：直卷二無 im2col 每權讀 9 次，虛字節計 9 倍。算算強度用實自 DRAM 載之獨字節，非載指總
• 混 FP16 TC 峰與 FP32 峰：FP16 TC 峰 174 TFLOPS，FP32 FFMA 峰 21.7 TFLOPS——八倍異。用誤峰使 roofline 分類無義
• GA104 用 64 KB 代 50 KB 為共記崖：GA104（sm_86）每 SM 最 100 KB 共記。崖於 100/2 = 每塊 50 KB，非 64 KB。此架構特；他 GPU 異
• 評 cp.async 時忽 warp 交織：8 warp 附長算段（高算/載比）經 warp 調度已藏 DRAM 延。此境加 cp.async 增共記壓與屏障耗而無益（Flash Attention 量測 -5%）
• 自源碼計指代 SASS：編譯或融、除、展環不同、重排指。恆自

  cuobjdump -sass

  出計
• 不行預熱：首啟含 JIT 編譯耗與冷緩之影。恆行 2-5 預熱前於量

參

• pipeline-gpu-kernel

  — 若析識記束核且算/載比低，實軟件管與 cp.async

• simulate-cpu-architecture

  — 主機端瓶之補架構析