性能建模基础：目的、分类与方法论
各位同学，今天我们来聊聊性能建模的基础。说实话，我刚入行那会儿，对建模这事挺不屑的——觉得有那功夫还不如直接跑RTL仿真。后来被打脸了，才明白建模的价值。
性能建模，说白了就是在芯片还没造出来之前，先预测它的表现。你想想看，一个GPU IP从设计到流片，动辄几个月甚至一年。如果等到芯片回来才发现性能不达标，那代价可就大了去了。
为什么需要性能建模？
我总结下来，建模的目的就三个：
- 早期决策：架构设计阶段，你需要在几十种方案里选一个。没有模型，你靠猜吗？
- 瓶颈定位：系统跑慢了，到底是计算单元不够，还是带宽受限？模型能帮你快速定位。
- 设计空间探索：缓存大小、核数、频率...这些参数怎么配？模型跑一遍，结果就出来了。
核心观点：性能建模不是替代RTL仿真，而是在RTL还没准备好时，提前给出方向。我见过太多团队，RTL都写完了才发现架构选型有问题，那才叫欲哭无泪。
性能模型的三大分类
模型怎么分？我个人习惯按抽象层次和精度来分，主要有三类：
1. 分析模型
分析模型，就是用数学公式来描述性能。比如：
吞吐量 = 计算单元数 × 频率 × 每周期指令数
延迟 = 流水线级数 × 时钟周期这种模型快、准、但适用范围有限。我在做Shader Core建模时，就用分析模型估算过ALU的吞吐量。公式一列，Excel一拉，几分钟就出结果。
但要注意，分析模型假设太多。比如它假设数据总是准备好的，没有冲突。实际哪有这么理想？
避坑指南：我曾经用分析模型估算一个纹理单元的带宽需求，结果跟实测差了30%。后来发现，我忽略了纹理缓存miss带来的额外带宽。所以，分析模型的结果一定要留余量。
2. 模拟模型
模拟模型，就是写一个简化版的硬件行为模型。它比分析模型慢，但更准。
举个例子，我做过一个GPU内存控制器的模拟模型：
// 伪代码示意
while (request_queue not empty):
req = pop_request()
if (bank_status[req.bank] == IDLE):
bank_status[req.bank] = ACTIVE
latency = tRCD + tCL + tRP
total_latency += latency
else:
// 等待bank空闲
wait_cycles += bank_remaining[req.bank]这种模型能捕捉到资源竞争、排队延迟等动态行为。我建议，当你需要评估系统级交互时，用模拟模型最合适。
3. 经验模型
经验模型，就是基于历史数据做回归。比如：
性能 = a × 频率 + b × 核数 + c × 带宽 + d这里的a、b、c、d是从之前芯片的测试数据里拟合出来的。
说实话，经验模型精度有限，但胜在快。我在做早期方案评估时，经常先用经验模型筛一遍，把明显不行的方案排除掉。
| 模型类型 | 精度 | 速度 | 适用阶段 |
|---|---|---|---|
| 分析模型 | 中 | 极快 | 概念设计 |
| 模拟模型 | 高 | 慢 | 详细设计 |
| 经验模型 | 低-中 | 快 | 早期评估 |
关键性能指标
建模时，你总得知道要衡量什么。GPU IP性能建模，我重点关注三个指标：
吞吐量
吞吐量，就是单位时间内能处理多少工作。对GPU来说，就是每秒能处理多少像素、多少顶点、多少指令。
公式很简单：
吞吐量 = 完成的工作量 / 总时间但要注意，峰值吞吐量和实际吞吐量是两码事。我见过有人拿峰值吞吐量去忽悠老板，结果芯片回来性能对不上，那叫一个尴尬。
延迟
延迟，就是从发出请求到得到结果的时间。GPU里，延迟主要来自：
- 内存访问（几百个周期）
- 流水线停顿（几十个周期）
- 同步开销（几个到几十个周期）
你想想看，如果一个纹理请求要等500个周期，那计算单元就得闲着。所以，延迟隐藏是GPU架构的核心技术之一。
个人经验：我在做L2缓存建模时，发现延迟每增加10%，性能就下降5%左右。所以，别小看那几十个周期的优化，积少成多。
功耗
功耗，现在越来越重要了。尤其是移动GPU，功耗直接决定了能不能用。
建模时，我通常把功耗拆成两部分：
- 动态功耗：跟翻转率、频率、电压有关
- 静态功耗：跟漏电流、温度有关
公式：
P_dynamic = α × C × V² × f
P_static = I_leak × Vα是翻转率，这个值很难估准。我建议，早期建模时用典型值（比如0.1-0.3），后期再用RTL仿真去校准。
建模方法论：自顶向下 vs 自底向上
建模怎么入手？两种思路：
自顶向下
先定系统级目标，再逐层分解。比如：
- 目标：帧率60fps
- 分解：每帧16.7ms，其中渲染占10ms
- 再分解：像素着色器需要5ms，光栅化需要3ms...
- 继续分解：每个像素需要多少ALU操作...
这种方法的优点是方向明确，不会跑偏。我建议在做新产品规划时用这个方法。
自底向上
从最底层模块开始建模，然后逐层组合。比如：
- 先建模ALU单元：每个周期能算几个浮点
- 再建模Shader Core：多个ALU加上调度器
- 然后建模整个GPU：多个Core加上缓存、内存
这种方法的优点是精度高，但慢。我一般在优化现有架构时用这个方法。
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 自顶向下 | 方向明确，快速收敛 | 底层细节可能不准 | 新产品规划 |
| 自底向上 | 精度高，细节丰富 | 建模周期长 | 架构优化 |
我的建议：实际项目中，两种方法结合使用。先用自顶向下定方向，再用自底向上验证细节。我做过一个项目，自顶向下分析发现带宽是瓶颈，然后自底向上建模发现是L2缓存策略有问题。两种方法一结合，问题就清楚了。
小结
好了，这一章的内容就这些。总结一下：
- 性能建模是为了早期决策、瓶颈定位、设计空间探索
- 模型分三类：分析模型快但糙，模拟模型准但慢，经验模型居中
- 关键指标：吞吐量、延迟、功耗，一个都不能少
- 方法论：自顶向下定方向，自底向上抠细节
下一章，我会讲具体的建模工具和流程。到时候，我会分享一些我实际用过的建模框架，包括一些踩过的坑。嗯，敬请期待。