Нужна помощь в понимании kcachegrind

Я пытаюсь понять kcachegrind, кажется, что там не так много информации, например, в левом окне, что такое «Self», что такое «incl.»? (увидеть 1 ядро ).

Я провел несколько слабых тестов масштабирования, связи нет, поэтому я думаю, что это связано с отсутствием кэша. Но из того, что я вижу, одинаковое количество пропущенных данных как для 1, так и для 16 ядер, см .: 16 ядер.

Единственное различие, которое я вижу между 1 ядром и 16 ядрами, состоит в том, что на 16 ядер обращаются значительно меньше вызовов memcpy (что я могу объяснить). Но я до сих пор не могу понять, почему на одном ядре время выполнения составляет 0,62 секунды, а на 16 ядрах время выполнения ближе к 1 секунде. Каждый процессор выполняет одинаковое количество работы. Если бы кто-то мог сказать мне, что искать в kcachegrind, это было бы замечательно, я впервые использую kcachegrind и valgrind.

Изменить: мой код сцепления матриц в сжатом формате строки. Он включает в себя циклический просмотр записей подматриц и использование memcpy для копирования значений в матрицу результатов.
Вот код: — Я не могу опубликовать более 2 ссылок … поэтому я опубликую это в комментарии.

Я только инициировал valgrind на самом цикле, цикл также имеет значение между временем выполнения 0,62 секунды и временем выполнения 1 секунда. Часть, которая занимает больше всего времени, — это вызов memcpy (строка 37 в github gist ниже), когда я закомментирую это, мой код выполняется менее чем за 0,2 секунды, хотя все еще увеличивается от 1 до 16 ядер (около Увеличение на 30%).

Я выполняю свой код на узле haswell, который состоит из 24 ядер (два процессора Intel® Xeon® E5-2690 v3)

Каждое ядро ​​имеет 5 ГБ памяти.