клон start_thread, занимающий большую часть времени в параллельной программе — плохое распараллеливание или неправильный отчет?

В настоящее время я работаю над распараллеливанием программы на C ++, чтобы повысить ее производительность в многоядерных системах. Используя OpenMP и учитывая проблемы (синхронизация потоков, доступ к данным и т. Д.), Мы наконец нашли способ сделать всю программу параллельной, но повышение производительности не является подавляющим.

Используя Intel VTune Amplifier, я выполнил поиск горячей точки и обнаружил, что практически при каждом вызове функции, который должен выполняться параллельно, «start_thread clone» из libgomp.so отнимает больше времени, чем фактическое выполнение функции:

Intel VTune Result Image

Это действительно неожиданно, так как я проверил, что в текущих реализациях OpenMP не должно быть практически никаких штрафов за переключение из параллельных и последовательных областей. В соответствии с это обсуждение:

Поток запускается при запуске вашей программы (или в первый раз,
в зависимости от реализации). Приостановите свою программу где-нибудь еще, и вы
обратите внимание на темы все еще там

Я сделал это, остановил программу в отладчике, до первой параллельной области был только один поток, после чего, где бы я ни остановился (параллельная или последовательная область), было несколько потоков. Таким образом, я был убежден, что не должно быть никаких издержек от «повторного создания» новых потоков каждый раз.

Теперь VTune говорит мне по-другому, насколько я могу понять измерения. Может ли кто-нибудь помочь мне здесь?