【GPU 微架构技术】Pending Request Table（PRT）技术详解

PRT（Pending Request Table）是 GPU 中用于管理 未完成内存请求（outstanding memory requests）的一种硬件结构，旨在高效处理大规模并行线程的内存访问需求。与传统的 MSHR（Miss Status Handling Registers）不同，PRT 的设计更适应 GPU 的 warp 级并行性，显著提升了内存子系统的吞吐量和并发能力。以下从工作原理、优势、与 MSHR 的对比等方面详细解析 PRT 技术。

1. PRT 的核心设计思想

PRT 的核心是为 每个 warp 的内存指令（如加载或存储）分配一个独立的条目，而非为每个内存请求分配资源。这一设计充分利用了 GPU 的 warp 执行模型（32 个线程以 SIMD 方式并行执行），通过合并一个 warp 内所有线程的内存请求，减少对硬件资源的占用。

条目内容：
每个 PRT 条目包含以下信息：
- 内存指令的 目标地址块（如全局内存地址）。
- 线程掩码（标识哪些线程需要该数据）。
- 地址偏移（记录每个线程在目标地址块内的偏移量）。
- 未完成请求计数器（跟踪该指令关联的内存请求数量）。

2. PRT 的工作流程

内存指令执行：
当 warp 执行一条内存指令（如 LDG 加载指令）时，GPU 的 Load/Store 单元会 合并线程的访问请求。例如，若多个线程访问同一缓存行，则合并为一个内存请求。
PRT 条目分配：
- 若发生缓存未命中（数据不在 L1/L2 缓存中），分配一个 PRT 条目。
- 每个 PRT 条目对应一个 warp 的内存指令，而非单个线程或单个地址请求。
生成内存请求：
- 合并后的请求被发送到显存（DRAM）或 L2 缓存。
- 每个请求包含：
  - 目标地址块（如 128 字节的缓存行地址）。
  - PRT 条目标识符（用于后续数据分发）。
  - 线程掩码（标记哪些线程需要该数据）。
数据返回与分发：
- 当显存返回数据时，根据 PRT 条目中的 地址偏移，将数据分发到各线程的寄存器。
- 例如，若线程 0 需要地址块内偏移 4 字节的数据，则从返回的缓存行中提取对应位置的数据。
释放 PRT 条目：
- 当所有关联的内存请求完成，且数据分发完毕后，释放 PRT 条目。

3. PRT 的关键优势

高并发处理能力
PRT 的未完成请求数 仅受限于每个 SM 的 PRT 条目数量，而非线程数或未合并访问数。例如，在 Kepler 架构中，每个 SM 有 44 个 PRT 条目，每个条目可处理一个 warp 的 32 个线程请求，理论最大并发请求数为：
[
44 , \text{条目} \times 32 , \text{线程/warp} = 1408 , \text{未完成请求}
]
相比 Fermi 的 MSHR（128 请求/SM），并发能力提升 11 倍。
对未合并访问的容忍性
MSHR 在未合并访问（如随机内存访问）时，需要为每个未合并请求分配独立条目，容易导致资源耗尽。而 PRT 的条目与 warp 指令 绑定，无论线程访问是否合并，每个指令仅占用一个 PRT 条目。这使得 PRT 在 非连续内存访问场景 下表现更优。
简化硬件资源管理
PRT 通过合并 warp 级请求，减少了对细粒度资源（如每个线程的请求跟踪）的需求，降低了硬件复杂度。

4. PRT 与 MSHR 的对比

特性	MSHR	PRT
设计目标	跟踪每个缓存行未命中请求	跟踪每个 warp 的内存指令
条目分配粒度	每个缓存行一个条目	每个 warp 内存指令一个条目
合并能力	有限（如 8 个线程合并）	天然支持整个 warp（32 线程）合并
未完成请求上限	受限于条目数（如 Fermi 的 128）	受限于条目数 × warp 线程数（如 1408）
适用场景	连续内存访问（高合并率）	任意内存访问模式（包括随机访问）

5. PRT 的实际应用与优化启示

对开发者的意义
- Kepler 及后续架构：开发者无需过度优化内存合并，可更灵活设计内存访问模式。
- 控制 warp 指令并发数：避免单个 SM 内过多 warp 同时发起内存指令，以防 PRT 条目耗尽。
对架构设计的启示
- 扩展 PRT 条目数：增加 PRT 条目可进一步提升并发能力（如 NVIDIA 后续架构的改进）。
- 结合缓存优化：PRT 与 L1/L2 缓存协同工作，需平衡缓存命中率与显存带宽利用率。

6. 论文中的实验验证

论文通过 Thread-Latency 图 验证了 PRT 的优势：

Kepler（Tesla K20）：当每个线程发起 2-3 次内存请求时，PRT 条目饱和点对应于 44 个 warp 指令（图 9-10），而非线程数或请求数，表明其设计基于 warp 级管理。
对比 Fermi：Fermi 的 MSHR 在未合并访问时快速饱和（图 3-4），而 Kepler 的 PRT 在相同场景下表现更优。