3、Mali GPU架构解析：Mali-G系列/Valhall架构、核心组成、执行模型与特性
Mali GPU是ARM公司面向移动与嵌入式市场推出的图形处理器IP，广泛应用于智能手机、平板、车载信息娱乐系统、智能电视以及AR/VR设备。理解Mali GPU的架构，是进行驱动开发、图形调优、游戏性能优化以及异构计算（GPU Compute）的基础。本章将深入解析Mali-G系列所采用的Valhall架构，从核心组成、执行模型到关键特性，帮助开发者建立从硬件微架构到上层软件优化的完整认知。
3.1 Valhall架构核心设计理念
Valhall是继Bifrost之后的新一代Mali GPU微架构，首次在Mali-G77中亮相，随后被Mali-G78、G710、G720等系列沿用并持续优化。其设计目标非常明确：在功耗受限的移动场景下，最大化每瓦特的着色器性能，同时为机器学习推理和通用计算提供更友好的执行环境。与Bifrost相比，Valhall最显著的变化是引入了基于“Warp”的标量执行模型，取代了Bifrost时代的向量执行模型（quad-based）。这一改变深刻影响了编译器设计、驱动调度以及开发者编写着色器的方式。
在Bifrost架构中，GPU以“quad”（2x2像素组）为基本调度单位，每个执行通道同时处理4个像素的向量数据。这种设计在传统图形渲染中效率较高，但在计算任务中，当线程发散（divergence）严重时，会造成执行通道的浪费。Valhall则转向了类似NVIDIA CUDA的Warp模型：一个Warp包含32个标量线程，GPU以Warp为单位进行调度和执行。每个周期，调度器可以从多个Warp中选取就绪的Warp，将指令分发到不同的执行通道（FMA、SFU、Load/Store）。这种标量化设计使得线程间的独立性更强，编译器可以更灵活地进行指令调度，从而在复杂控制流和计算负载下获得更高的吞吐量。
3.2 核心组成模块详解
一个典型的Mali-G系列GPU（如G78）在物理上由多个Shader Core、一个共享的L2缓存、一个核心调度器（Core Scheduler）、纹理单元、MMU以及内存接口组成。这些模块通过ARM的AMBA总线（如ACE或CHI）与CPU和内存系统相连。理解每个模块的职责和它们之间的交互，是进行性能分析和瓶颈定位的基础。
| 模块名称 | 主要职责 | 关键参数/特性 | 性能影响 |
|---|---|---|---|
| Shader Core | 执行顶点、片元、计算着色器指令 | 包含FMA通道、SFU通道、Load/Store单元、Warp调度器 | 决定GPU的算术吞吐量和线程并发能力 |
| Core Scheduler | 接收CPU提交的任务，动态分配到各Shader Core | 支持任务抢占、优先级管理、负载均衡 | 影响多核心利用率与任务切换延迟 |
| L2 Cache | 缓存所有Shader Core共享的纹理、顶点、计算结果 | 容量可配置（如512KB-4MB），多Slice设计 | 减少对DDR的访问，是带宽瓶颈的关键缓解点 |
| Texture Unit | 执行纹理采样、过滤、各向异性过滤等操作 | 支持AF、压缩纹理格式（ASTC） | 纹理密集场景下的吞吐量决定帧率下限 |
| MMU | 管理GPU虚拟地址到物理地址的转换 | 支持页表缓存（TLB）、多进程隔离 | 页错误率影响内存访问延迟 |
| Memory Interface | 与DDR/LPDDR内存控制器通信 | 支持多通道、QoS优先级设置 | 决定GPU可用的最大内存带宽 |
在Valhall架构中，每个Shader Core内部又细分为多个执行引擎。以Mali-G78的单个核心为例，它包含两个FMA（Fused Multiply-Add）通道、一个SFU（Special Function Unit）通道以及一个Load/Store通道。FMA通道负责常规的浮点和整数运算，SFU负责倒数、平方根、三角函数等特殊函数，Load/Store通道则处理纹理采样和内存读写。Warp调度器每周期可以从最多4个不同的Warp中选取指令，分发到这些通道上。这种多通道并行设计，使得单个核心的指令级并行（ILP）和线程级并行（TLP）都得到了显著提升。
3.3 执行模型与线程调度机制
Valhall的执行模型可以概括为“标量线程、Warp调度、多通道发射”。当驱动提交一个计算任务（如一个Compute Shader）时，Core Scheduler会将任务分解为多个Warp（每个Warp 32线程），然后分配给不同的Shader Core。每个Shader Core内部的Warp调度器维护着一个就绪Warp队列。调度器会优先选择那些所有操作数都已就绪、且目标执行通道空闲的Warp进行发射。这种调度机制与CPU的乱序执行类似，但粒度更粗，旨在隐藏内存访问延迟和算术流水线延迟。
一个关键的概念是“Occupancy”（占用率），即一个Shader Core上同时活跃的Warp数量。占用率越高，调度器越容易找到可发射的Warp，从而更有效地隐藏延迟。但占用率受限于寄存器文件大小、Warp状态存储空间以及线程并发数上限。例如，Mali-G78的每个Shader Core支持最大256个并发Warp（即8192个线程），但实际能达到的占用率取决于着色器使用的寄存器数量。如果每个线程使用超过32个寄存器，那么可并发的Warp数就会下降。开发者可以通过限制寄存器使用量（如使用maxrregcount编译选项）来提高占用率，但过度限制会导致寄存器溢出（spilling），反而降低性能。
// 示例：在OpenCL中查询Mali GPU的Warp大小（通常为32）
clGetDeviceInfo(device, CL_DEVICE_WARP_SIZE_NV, sizeof(size_t), &warp_size, NULL);
// 在Mali Valhall架构上，warp_size通常返回32对于图形渲染管线，Valhall仍然采用基于Tile的渲染方式。屏幕被划分为多个16x16或32x32像素的Tile，GPU先执行顶点着色器，将图元变换到屏幕空间，然后按Tile进行光栅化和片元着色。每个Tile的渲染结果会先存储在Shader Core内部的Tile Buffer（快速SRAM）中，待整个Tile完成后再一次性写回L2缓存或主存。这种机制极大地减少了片元着色器对内存的写带宽需求，是Mali GPU低功耗特性的重要来源。
3.4 关键特性与性能优化映射
Valhall架构引入了一系列特性，直接影响了开发者的编程模型和优化策略。首先是FP16（半精度浮点）的吞吐量翻倍。在Mali-G77及之后的产品中，FP16的FMA吞吐量是FP32的两倍。这意味着，在计算密集型任务中，如果精度允许，使用half类型可以获得接近翻倍的性能提升。其次是异步计算（Async Compute）支持，允许计算任务与图形任务并行执行，充分利用空闲的执行通道。此外，Valhall还强化了GPU与CPU之间的缓存一致性（通过ACE/CHI总线），减少了显式缓存刷新操作的开销。
glMemoryBarrier精确控制同步点，避免过度同步导致GPU流水线停顿。在Mali Valhall上，建议将Warp发散控制在最小范围，因为标量执行模型下，发散会导致同一Warp内的线程串行执行不同分支，浪费吞吐量。
另一个重要特性是“Dual-issue”能力。在某些Valhall核心中，FMA通道和SFU通道可以同时发射指令，只要它们来自不同的Warp且没有数据依赖。编译器（如ARM Compiler for Embedded或Mali Offline Compiler）会尝试将指令配对，以利用这种双发射能力。开发者可以通过查看编译后的汇编代码（使用malioc工具）来确认指令配对情况，并调整代码结构以增加可配对的指令数量。
3.5 案例拆解：基于Mali-G78的移动端渲染性能调优
假设我们在一款搭载Mali-G78 GPU（如麒麟9000芯片）的旗舰手机上，开发一款开放世界手游。初始帧率在复杂场景下仅为28 FPS，低于目标30 FPS。通过Mali Offline Compiler和Streamline Performance Analyzer分析，发现瓶颈在于片元着色器的ALU（算术逻辑单元）利用率过高，且L2缓存命中率仅为72%。
分析过程：首先，使用Streamline抓取GPU计数器，发现Shader Core的FMA通道利用率达到95%，而SFU通道利用率仅为20%。这说明片元着色器中包含大量常规算术运算，但特殊函数调用较少。同时，L2缓存命中率偏低，导致大量内存访问请求直接到达DDR，增加了延迟和功耗。进一步检查着色器代码，发现光照计算中使用了多个pow和sqrt函数，这些函数在SFU上执行，但编译器可能将其拆分为多个FMA指令，导致FMA通道过载。
优化操作：1. 将部分高精度光照计算从FP32降为FP16，利用Valhall的FP16双倍吞吐特性，减少FMA通道压力。2. 使用half类型存储中间变量，并确保编译器启用-O3优化。3. 针对L2缓存命中率问题，调整纹理采样顺序，尽量在同一个Tile内访问相邻的纹理区域，提高局部性。4. 将一些复杂的pow(x, 4)替换为x*x*x*x，避免SFU调用，将负载转移到FMA通道（因为SFU利用率低）。
结果对比：优化后，FMA通道利用率降至80%，SFU利用率提升至45%，L2缓存命中率提升至85%。帧率稳定在30 FPS，功耗降低了约12%。复盘经验：Mali Valhall的性能调优需要同时关注算术通道平衡和内存局部性。单纯降低ALU负载不一定有效，必须结合硬件计数器的数据，找到真正的瓶颈所在。此外，FP16的使用需要谨慎，避免因精度不足导致画面闪烁或瑕疵。
3.6 常见误区与总结复盘
在理解和优化Mali GPU时，开发者常陷入以下误区：误区一：认为GPU核心数越多性能越强。实际上，Mali-G78的24核心版本与16核心版本在真实游戏中的差距远小于理论峰值差距，因为功耗和散热限制了核心的实际运行频率。核心数的增加更多是为了在低负载时提供更好的能效比。误区二：过度依赖CPU与GPU的同步操作。频繁的glFinish或clFinish会强制GPU流水线排空，导致严重的性能下降。应使用Fence或Event进行异步同步。误区三：忽略寄存器溢出。在Valhall上，寄存器溢出会直接导致Warp占用率下降，且溢出数据会写入L2或DDR，造成额外的带宽消耗。建议使用malioc检查寄存器使用情况，并适当调整线程组大小（如将256线程的组改为128线程）以平衡占用率和资源消耗。