2.1.5 指令级并行【译】
计算机设计师致力于提升他们设计的机器的性能。提升时钟速度是让运行芯片更快的一种方法，但是任何新的设计都不得不受限于当时的历史环境。因此，大部分计算机体系结构在给定时钟速度的情况下，依靠并行（同时处理两件或以上的事务）来获得更多性能。
并行分为指令级并行和处理器级并行两种。前者的并行指的是运用内部独立指令来获取更多的指令输出。后者的并行指的是多个CPU同时运行来解决相同的问题。两种方案各有优势。在本节我们将研究指令级并行；下一节我们研究处理器级并行。
流水线
众所周知，从内存中读取指令这一过程是影响指令执行速度的一大瓶颈。为了缓和这个问题，老古董IBM Stretch（1959）能提前从内存中读取指令，这样当用到这些指令时，它们已经被读取过了。这些指令被存在一组特殊的寄存器中，它就是预取缓冲器。这样，当需要一个指令时，通常从缓冲器中取出而不是等待内存读取完成。
实际上，预取指令的执行可以分为两部分：读取和实际执行。流水线得概念更加深入的执行了这个策略。相比于仅仅被分成两部分，指令的执行通常被分为许多部分（十几个或更多），每个部分由专门的一块硬件处理，所有部分可以并行执行。
图2-4（a）表示一个五单元流水线。第一步从内存读取指令，然后把它放入缓冲区直到被取出。第二步对指令解码，获取指令类型和它需要的操作子。第三步定位并获取操作子，每个操作子都是从内存或寄存器中读取。第四步才实际上执行指令，典型的就是通过图2-2的数据路径执行操作数。最后的第五步把结果写回到合适的寄存器中。
在图2.4（b），我们看到流水线怎样以函数时间执行。在时钟循环1中，S1正在执行指令1，从内存中读取指令。在循环2中，S2对指令1解码，与此同时S1在读取指令2。在循环3中，S3读取指令1的操作数，S2解码指令2，S1请求第三条指令。在循环4，S4执行指令1，S3读取指令2的操作数，S2解码指令3，S1请求指令4。最后，在循环5，S5写回指令1的结果，同时其他阶段执行后面的指令。
为了搞清楚流水线的概念，我们作个类比。设想一个蛋糕工厂，对蛋糕的烘焙和打包是分开做的。假设打包部分由5个工人和一条传送带完成。每10秒（就是时钟周期啦），工人1在传送带上放置一个空的蛋糕盒子。盒子被传送带送到工人2那里，工人2网盒子里放了一个蛋糕。过一会，盒子送到了工人3那里，工人3把盒子关上，系好带子。然后到工人4在盒子上贴标签。最后，工人5把蛋糕从传送带上拿下来，把它放到了更大的容器里，这个容器会被送到超市。基本上，这也是计算机流水线的工作方式：每个指令（蛋糕）在完成之前都要经过若干处理步骤。
让我们回到图2-4的流水线，假设某台机器的时钟周期是2纳秒。然后一路执行完这个5阶段流水线花费10纳秒。乍一看，一个指令花费10纳秒，显得机器可以运行到100MIPS的样子，但是实际上它运行的要快得多。在每个时钟周期（2纳秒），一个新指令就完成了，所以处理过程的实际速度是500MIPS，不是100MIPS。
流水线可以在延迟（执行一条指令要花费多长时间）和处理器带宽（CPU有多少MIPS）之间做权衡。有一个时钟周期为T纳秒，阶段数为n的流水线，延迟是nT纳秒，因为每个指令经过n个阶段，每个阶段花费T纳秒。
由于每个时钟周期执行一条指令，且每秒有10的9次方/T个时钟周期，那每秒执行的指令数就是10的9次方/T个。比如说，如果T等于2纳秒，那每秒能执行5亿条指令。为了获取MIPS的数量，我们以百万为单位来拆分指令的执行率，比如（10的9次方/T）/10的6次方等于1000/T MIPS。理论上我们可以用BIPS来代替MIPS来衡量指令的执行速率，但是没人那样干，所以我们也不会讨论了。
超标量结构
一个流水线已经很好，两个岂不是更好？有两个流水线的CPU可能会按照图2-5来设计。这里是一个简单的指令请求单元，成对的请求指令并把每个指令放到对应的流水线上，连同算术逻辑单元一起做并行操作。为了确保能并行执行，这两条指令在资源使用（比如寄存器）上不能有冲突，一个也不能依赖另一个的结果。正如单个流水线，编译器要么必须维持（比如，硬件不会检查指令的兼容性，对不兼容的指令会给出错误的结果）这种不冲突状态，要么能使用额外的硬件检测并消除冲突。
无论单个还是一对流水线，起初都是用在RISC机器上（386和它的前任并没有），从486开始，英特尔开始在CPU里引进流水线。486有一个流水线，最早的奔腾有两条五阶段流水线，和图2-5相仿，虽然阶段2和阶段3（称作解码1和解码2）工作内容的准确划分和我们的例子相比有些许不同。主流水线，也称作u流水线，可以执行任意的奔腾指令。次流水线，又称作v流水线，能执行简单的整数指令（还有一个简单的浮点指令FXCH）。
由固定规则来判断一对指令是否互相兼容，兼容的话可以并行执行。如果这对指令不是足够简单或者不能互相兼容，那么只有第一条会被执行（在u流水线）。次流水线上的指令会保留下来，然后和下一条指令结成一对。指令总是按顺序执行。因此奔腾特有的编译器通过生产兼容的指令对，可以获得比老式编译器更好的执行速度。据度量，运行充分的崩腾处理器的执行速度是相同时钟周期的486处理器的两倍（Pountain，1993）。这个功劳可以全部算在次流水线头上。
4流水线齐上不是无法想象的场景，只是这样做要复制太多的硬件（计算机科学家并不像民间百姓那样笃信数字3）。在高端CPU上用了替代方法。基本思想是只有一条流水线，但是给它多个功能单元，如图2-6所示。比如Intel Core体系有一个和2-6很相似的结构。我们会在第四章讨论该内容。术语超标量体系结构就是为了描述该方法而产生的（Agerwala和Cocke，1987）。它的根源可以追溯到40年前的CDC 6600。6600每100纳秒请求一条指令，然后转移到10个功能单元中的一个去并行执行，同时CPU获取下一条指令。
“超标量”的定义是慢慢形成的。它现在表示处理器能在一个时钟周期内能输出多条指令（通常四或六个）。当然，一个超标量CPU必须有多个功能单元来处理这些指令。因为超标量处理器通常有一个流水线，他们看起来像图2-6。
根据这个定义，6600在技术上并不是超标量的，因为它每个时钟周期只能输出一条指令。然而效果是一样的：指令在以比原本更快的速度执行着。一个有着100-纳秒时钟，每个周期输出一条指令给功能单元的的CPU和一个有着400-纳秒时钟，每个时钟周期输出一条指令给功能单元的CPU在概念上的区别是很小的。关键点是指令的输出速率比执行速度要快的多。
超标量处理器思想中隐藏的含义是，S3阶段能输出大量指令，超过了S4阶段消化指令的能力。如果S3阶段每10纳秒输出一条指令，并且所有的的功能单元都能在10毫秒内完成它们的工作，同一时刻不会有两个功能单元在忙，那么整个想法就不能生效了。实际上，大部分位于阶段4的功能单元的执行时间都明显超过一个时钟周期，那些读取内存或做浮点计算的功能单元肯定会。如图所示，阶段4可能有多个算术逻辑单元。
