27 KiB
ASW_Basic 分支：BMM 兜底分支的理论最优实现分析
目标芯片：昇腾 950PR（DAV_3510）。本文从《BMM 算子优化分析 v0.98》第八章抽出独立成篇，自包含完整推导链。
摘要
ASW_Basic 是 BMM 的兜底分支——核间切 M/N（或混合切），不做 batch 合并或 K 维切分。本文给出完整的时延建模、核间分配策略分析（证明 B 优先分组在任何场景下都不优于线性映射）、实现方案的逐步推导，以及尾轮处理策略。
一、问题定义与执行模型
1.1 分支定位
BMM 中，当 B ≥ C（batch 数 ≥ AIC 核数）时核间切 B 是免费的（每核独立处理若干 batch，无共享无依赖），由 IterBatch/MergeBatch 承接。当 B < C 或 B ≥ C 但 IterBatch/MergeBatch 条件不满足时，需要切 M/N 来填满所有核——这就是 ASW_Basic。
ASW_Basic 是实践中最常命中的分支：B 可大可小可等 1，交叉广播也由此承接（对广播侧做 L1/L2 驻留，共享关系与切 M/N 同构）。
1.2 执行模型
核间：B × mCnt × nCnt 个输出块，按 B→M→N 线性映射分配到 C 核
核内：每核处理若干 [singleCoreM, singleCoreN] 输出块
└── 每块内部：GM→L1→L0→Cube→L0C→Fixpipe 标准流水
└── K 维不切（singleCoreK = K），按 kL1 分块搬入 L1
数据流：
GM ──MTE2──> L1 ──MTE1──> L0A/L0B ──MMAD──> L0C ──Fixpipe──> GM
↑_____________ L2 Cache（读 5.2TB/s）_____________↑
1.3 符号定义
| 符号 | 含义 | 表达式/取值 |
|---|---|---|
B |
batch 数 | 输入参数 |
M, N, K |
矩阵维度 | 输入参数 |
C |
AIC 核数 | 32 |
dtype |
输入元素字节数 | BF16 → 2B |
outB |
输出元素字节数 | BF16 → 2B |
L0C |
L0C 容量/核 | 256KB |
L0A, L0B |
L0A/L0B 容量/核 | 各 64KB |
L1 |
L1 容量/核 | 512KB |
L2 |
L2 容量（共享） | 128MB |
BW_{pc} |
单核 GM 带宽份额 | W_{GM}/C = 50 GB/s |
Q_{16} |
单核 Cube BF16 峰值算力 | 486/32 ≈ 15.2 TFLOPS |
W_{GM} |
GM 带宽 | 1.6 TB/s |
BW_{L2} |
L2 读带宽 | 5.2 TB/s |
Tiling 参数：
| 符号 | 含义 | 约束层级 |
|---|---|---|
\text{BaseM}, \text{BaseN} |
L0 级 tile 的 M/N 维度 | L0C 容量直接约束 |
baseK |
L0 级 tile 的 K 维度 | L0A/L0B 容量约束 |
\text{singleCoreM}, \text{singleCoreN} |
每核输出 tile 的 M/N 维度 | L1 容量 + 并行度 + 搬移效率 |
k_{L1} |
GM→L1 的 K 向粒度 | dValue ≥ 256B |
mCnt, nCnt |
单 batch 内 M/N 向块数 | \lceil M/\text{singleCoreM} \rceil |
W |
swizzle 窗口宽度 | \max\{d : d \mid C, d \le \lfloor\sqrt{C}\rfloor\} |
层次关系：$K = \text{singleCoreK} \ge k_{L1} \ge baseK$，$\text{singleCoreM} \ge \text{BaseM}$，$\text{singleCoreN} \ge \text{BaseN}$。
二、进入条件
同时满足：
- $P = \dfrac{B \cdot MN \cdot 4\text{B}}{L0C} \ge C$（并行度补齐）
- 无 batch 结构限制（BatchA=BatchB、交叉广播均可）；典型进入路径：$B < C$（切 B 买不满核），或
B \ge C但 IterBatch/MergeBatch 条件不满足时的兜底 - 降核模式：
P < C且不满足 StreamK 进入条件 → 只用\lceil P \rceil个核，其余核闲置
逐条解释：
- 并行度补齐：以 L0C 满载为基本块粒度，B×M×N 能切出至少 C 个独立输出块，则切 M/N（或混合切）并行度够用。切 M/N 的固有代价是共享矩阵被多核重复读，但共享部分驻留 128MB L2 时重复读以 5.2TB/s 命中 L2 而非 1.6TB/s 的 GM，代价大部分被吸收。
- 兜底性质：ASW_Basic 是实践中最常命中的分支——B 可大可小可等 1，交叉广播也由此承接（对广播侧做 L1/L2 驻留，共享关系与切 M/N 同构）。
- 降核模式：P < C 且 K 也不够格走 StreamK 时，并行度凑不满核。此时与其强行把 M/N 切得更碎（tile 跌破 min_TileSize、dValue 跌破 128B，搬移效率崩塌，反而更慢），不如只用 ⌈P⌉ 个核、每核承担一个完整输出块（L0C 满载粒度），其余核闲置。这类 case 的时延绝对值小，继续切分引入的调度与搬移效率损失大于并行收益——降核是理性选择而非偷懒。
三、时延建模
3.1 端到端时延
T = \max(T_{MTE2},\; T_{MMAD},\; T_{FIX}) + T_{drain}
| 项 | 含义 | 公式 |
|---|---|---|
T_{MTE2} |
GM→L1 搬移时延 | r_{in} \cdot S_{in} / (C \cdot BW_{pc}) |
T_{MMAD} |
Cube 计算时延 | 2BMNK / (C \cdot Q_{16}) |
T_{FIX} |
输出写回时延 | B \cdot MN \cdot outB / (C \cdot W_{pc}) |
T_{drain} |
末块排空时延 | O(T_{comp} + T_{write}) |
其中 S_{in} = B(MK + KN) \cdot dtype 为输入总量，r_{in} \ge 1 为重复读倍率（GM 输入流量 / 输入总量）。r_{in} = 1 表示每字节只从 GM 读一次（后续复用全命中 L2）——这是 GM 输入流量的下界。
关键观察：T_{MMAD} 和 T_{FIX} 与核间分配策略无关——分配策略只影响 $T_{MTE2}$（通过 L2 命中率影响 $r_{in}$）。优化目标：让 r_{in} 尽量接近 1。
3.2 并行度约束的正确形式
总输出块数 $= B \cdot mCnt \cdot nCnt$。并行度约束的正确形式是：
B \cdot mCnt \cdot nCnt \ge C
即总块数至少能填满 C 核。这与 mCnt \cdot nCnt \ge \lceil C/B \rceil 等价（两边同乘 B 后取整）。
不应要求 $B \cdot mCnt \cdot nCnt ;%; C = 0$（整除）。整除是充分不必要条件——不整除时产生尾轮，尾轮的处理见 §五。
四、核间分配策略分析
4.1 两种候选策略
- B 优先分组：C 核分为 B 组，每组
C_g = \lfloor C/B \rfloor或\lceil C/B \rceil核独立处理一个 batch 的mCnt \times nCnt个块，组内做 swizzle - 线性映射：块按 (b, m, n) 字典序编号（block 0 = (0,0,0)，block 1 = (0,0,1)，…，block
mCnt \cdot nCnt= (1,0,0)，…），核 i 依次处理块 i, i+C, i+2C, …
4.2 L2 工作集对比
每波活跃核所需的 A 行带 + B 列带：
WS_{wave} = \big(W \cdot sM + \tfrac{C}{W} \cdot sN\big) \cdot K \cdot dtype
其中 sM = singleCoreM，sN = singleCoreN，W 为 swizzle 窗口宽度。
| 维度 | B 优先分组 | B→M→N 线性映射 |
|---|---|---|
| 每波活跃 batch 数 | B 个（每组一个） | 1 个（mCnt \cdot nCnt \ge C 时） |
| 每组/每波 swizzle 窗口 | W_g = \max\{d \mid d \mid C_g,\; d \le \sqrt{C_g}\} |
W = \max\{d \mid d \mid C,\; d \le \sqrt{C}\} |
| 每波 L2 工作集 | B \cdot (W_g \cdot sM + \frac{C_g}{W_g} \cdot sN) \cdot K \cdot dtype |
(W \cdot sM + \frac{C}{W} \cdot sN) \cdot K \cdot dtype |
| C 不整除 B | 组间核数不等 → 负载不均 | 无影响（总块数任意） |
数值例（C=32、B=4、sM=sN=256、K=1024、BF16）：分组 $C_g=8$、$W_g=2$（8 的最大因子 ≤ √8≈2.83），总工作集 = 4 \times (2 \times 256 + 4 \times 256) \times 1024 \times 2 = 12 MB；线性 $W=4$，工作集 = (4 \times 256 + 8 \times 256) \times 1024 \times 2 = 6 MB——线性映射的工作集是分组方案的一半。
为什么线性映射工作集更小：
- 更多核参与同一 batch 的 swizzle →
W = \sqrt{C} > W_g = \sqrt{C/B}→ 工作集更接近"方形"下限（均值不等式：W + C/W在W = \sqrt{C}处最小）； - 同一时刻只有 1 个 batch 的数据活跃 → L2 只需缓存 1 份 A/B 数据，而非 B 份。
4.3 分场景严格比较
场景 I：mCnt \cdot nCnt \ge C 且单波工作集 ≤ L2（最常见）
线性映射：每波 C 个块在同一 batch 内，L2 命中率高。B 分组：B 个 batch 同时活跃，总工作集 B 倍。线性严格更优。
场景 II：$S_{in} \le L2$（全部输入放得下 L2）
两种策略的 GM 流量相同（$r_{in} = 1$，每字节只读一次）。但 B 分组在 C % B ≠ 0 时负载不均（组间核数不等）。线性不劣于分组。
场景 III：$mCnt \cdot nCnt < C$（单 batch 块数不够填满所有核）
线性映射：每波横跨 \lceil C/(mCnt \cdot nCnt) \rceil 个 batch——这些 batch 的数据同时活跃。B 分组：每组 C_g 核但只有 mCnt \cdot nCnt < C_g 个块 → 组内有空闲核。线性映射至少所有核都有活干。线性严格更优。
场景 IV：$mCnt \cdot nCnt < C/B$（每组连自己的核都填不满）
B 分组每组空闲 C_g - mCnt \cdot nCnt 个核，总算力浪费 C - B \cdot mCnt \cdot nCnt 个核。线性映射无此问题。线性严格更优。
4.4 结论
B 优先分组在任何场景下都不优于线性映射。 根本原因：
- L2 是共享 Cache，工作集越小命中率越高——线性映射同一时刻只激活 1 个 batch 的数据，工作集最小；
- swizzle 窗口 $W \propto \sqrt{\text{参与核数}}$——更多核参与同一 batch 的 swizzle，窗口更大，工作集更方形；
- 线性映射对 B 与 C 的关系无要求，B 不整除 C 时无负载不均。
因此 ASW_Basic 采用 B→M→N 线性映射作为核间分配策略。
五、尾轮处理
5.1 尾轮的定义
当 B \cdot mCnt \cdot nCnt \;\%\; C \neq 0 时，总块数不能被 C 整除，最后一波（尾轮）不满载——只有 B \cdot mCnt \cdot nCnt \;\%\; C 个核有活干，其余核空闲。
5.2 尾轮是否重新切分？
不重新切分。 尾轮使用与主轮相同的 SingleCoreM/N、BaseM/N——理由：
- 重新切分的收益有限：尾轮只有一波，时延 = 单块时延。即使重新切分把 C 核都用满，单块时延也不会缩短（计算量/核数不变，只是每核分到的块更小，但启动开销不变）
- 重新切分的代价真实：需要额外的 tiling 参数（第二套 SingleCoreM/N/BaseM/N）、kernel 分支逻辑、L1 buffer 重新分配——工程复杂度高
- 尾轮占比小：总波数 $= \lceil B \cdot mCnt \cdot nCnt / C \rceil$，尾轮只占 1/总波数。总波数越大，尾轮影响越小
源码实现（MatMulV3TilingHelper::GetRebalanceBlock）：使用 balanceRate ≥ 0.9 评估负载均衡，尾块感知评分（GetBalanceRateWithTail）。尾轮不重新切分，仅通过选择使尾波占比尽量小的 mCnt/nCnt 组合来优化。
5.3 尾轮影响的量化
设总块数 $N_{blk} = B \cdot mCnt \cdot nCnt$，总波数 $n_{wave} = \lceil N_{blk} / C \rceil$，尾波块数 $r = N_{blk} \bmod C$（r = 0 时无尾波）。
尾波导致的额外时延（相对于完美整除）：
\Delta T_{tail} = \begin{cases} 0 & r = 0 \\ T_{block} \cdot \big(1 - \frac{r}{C}\big) & r > 0 \end{cases}
其中 T_{block} 为单块时延。相对于总时延的比例：
\frac{\Delta T_{tail}}{T_{total}} \approx \frac{1 - r/C}{n_{wave}}
总波数 n_{wave} 越大，尾波影响越小。当 n_{wave} \ge 4 时，尾波影响 < 25%。
六、实现方案
Step 0：BaseM / BaseN 的确定（L0 级 tile，先把 L0C 用满）
L0C 是 Cube 的累加器，BaseM × BaseN 是每次 Cube 计算的输出 tile。BaseM/N 应尽量把 L0C 用满——L0C 利用率越高，每次 Cube 计算的输出越大，单位计算的启动/排空开销摊得越薄：
\text{BaseM} \times \text{BaseN} = \frac{L0C}{2 \times 4\text{B}} = 32768 \text{ 元素}
（双缓冲两份，FP32 4B/元素）。BaseM/BaseN 的长宽比跟随 SingleCoreM/SingleCoreN（进而跟随 M/N），对齐 16 的倍数。baseK 由 L0A/L0B 容量决定（L1→L0 搬移无 dValue 要求，dValue 约束的是 GM→L1 的 $k_{L1}$）：
baseK = \min\Big(\frac{L0A}{2 \cdot \text{BaseM} \cdot \text{dtype}},\; \frac{L0B}{2 \cdot \text{BaseN} \cdot \text{dtype}}\Big) \text{ 向下 16 对齐}
核间不切 K 时 K 维度层次关系：$K = \text{singleCoreK} \ge k_{L1} \ge baseK$——k_{L1} 是 GM→L1 的 K 向粒度（须 $k_{L1} \cdot \text{dtype} \ge 256\text{B}$），baseK 是 L1→L0 的 K 向粒度（仅受 L0A/L0B 容量约束）。
Step 1：SingleCoreM / SingleCoreN 的确定（每核输出 tile，≥ BaseM/N）
SingleCoreM × SingleCoreN 是每核每次处理的输出区域，不受 L0 容量直接约束——一个 [SingleCoreM, SingleCoreN] tile 内部由若干 [BaseM, BaseN] L0 tile 组成（$\text{SingleCoreM} \ge \text{BaseM}$，$\text{SingleCoreN} \ge \text{BaseN}$）。SingleCoreM/N 的核心影响是 GM→L1 搬移效率和 L2 重复读率：
- SingleCoreM/N 越大 → 单次 GM→L1 搬移量越大，dValue 越有保障，L2 中同一份 A 行带/B 列带被更多核复用
- SingleCoreM/N 越小 → 总块数 mCnt×nCnt 越多，并行度越高，但搬移效率降低
约束链：
约束 1——并行度下限：总块数须填满 C 核。
B \cdot mCnt \cdot nCnt \ge C \iff mCnt \cdot nCnt \ge \Big\lceil \frac{C}{B} \Big\rceil
约束 2——L1 容量（双缓冲下驻留当前 tile 的输入）：
2 \cdot (\text{singleCoreM} + \text{singleCoreN}) \cdot k_{L1} \cdot \text{dtype} \le L1,\qquad k_{L1} \cdot \text{dtype} \ge 256\text{B}
约束 3——搬移效率：
\text{singleCoreM} \cdot k_{L1} \cdot \text{dtype} \ge min\_TileSize,\qquad k_{L1} \cdot \text{singleCoreN} \cdot \text{dtype} \ge min\_TileSize
约束 4——SingleCoreM/N 是 BaseM/N 的整数倍（工程实现要求，保证 L0 tile 边界对齐）。
选取策略：在满足约束 1 的前提下，SingleCoreM/N 尽量大（搬移效率和 L2 复用最大化）。长宽比跟随 M/N（$\text{singleCoreM}/\text{singleCoreN} \approx M/N$），对齐到 BaseM/BaseN 的整数倍。
例（B=8、M=N=2048、K=1024、BF16）：$\lceil C/B \rceil = 4$，取 mCnt = nCnt = 2 → singleCoreM = singleCoreN = 1024。BaseM = BaseN = $\lfloor\sqrt{32768}\rfloor_{16} = 176$。SingleCoreM/BaseM = 1024/176 ≈ 5.8 → 取 5（整数倍）→ singleCoreM = 880。约束 2：k_{L1} \le 512\text{KB}/(2 \times 1760 \times 2\text{B}) = 74 → 取 64（16 对齐）= 128B ✓。
Step 2：mCnt / nCnt 与核间分配
mCnt = \Big\lceil \frac{M}{\text{singleCoreM}} \Big\rceil,\qquad nCnt = \Big\lceil \frac{N}{\text{singleCoreN}} \Big\rceil
总输出块数 = $B \times mCnt \times nCnt$。核间分配采用 B→M→N 线性映射（分析见 §四）：块按 (b, m, n) 字典序编号，核 i 处理块 i, i+C, i+2C, …。B 不整除 C 时尾波不满载的核少分一块，无需 B | C。
Step 3：核间切分维度选择（按共享代价从低到高）
切 B（零共享，先试）→ 切 M（右矩阵 KN\cdot\text{dtype} \le L2 则驻留 L2）→ 切 N（对称）→ 混合切（靠 swizzle + L2 切分管理）→ 降核（见 Step 8）。
Step 4：swizzle——ASW 滑窗蛇形
问题：核间切 M/N 后，同一时刻 C 个核各算一个输出块，它们所需的 A 行块与 B 列块集合就是当前"活跃工作集"。若按行优先顺序朴素分配，一波 C 个块横跨的 A 行、B 列很宽，活跃工作集超过 L2 就回 GM 读（1.6TB/s），重复读代价真实发生。swizzle 要做的就是编排输出块的执行顺序，把每一波核的活跃工作集压到最小。
做法：把 M 向每 W 个基本块划为一个"窗口"，遍历顺序为"窗口内先扫 M、扫满 W 行再进下一列 N；一个窗口扫完再进下一个窗口"，且奇数窗口行 N 向反向（蛇形）。效果有二：
- 同一波 C 个核的块集中在同一个窗口内 ⇒ 活跃 A 行块只有 W 个、活跃 B 列块只有 C/W 条带；
- 蛇形反向使相邻窗口行首尾相接——上一窗口末尾的 B 列带与下一窗口开头的 B 列带是同一条，跨窗口切换时工作集增量最小。
W 怎么取：一波 C 个块的 L2 足迹约为
footprint \approx \big(W \cdot M^t K + \tfrac{C}{W} \cdot K N^t\big) \cdot \text{dtype}
由均值不等式，W + C/W 在 W = \sqrt{C} 处取最小——窗口越接近"方形"（W 行 × C/W 列），足迹越小。同时 W 须整除 C，保证每个窗口恰好被整数波核覆盖、窗口边界不把波次切碎。合起来即：
W = \max\{\,d \mid d \mid C,\; d \le \lfloor\sqrt{C}\rfloor\,\}
C=32 时 $\sqrt{32} \approx 5.66$，因子 {1,2,4,8,…} 中不超过它的最大者是 4，故 W=4。
实例（C=32，W=4，M̃=8，Ñ=8；数字为块的全局执行顺序，一波 32 块）：
窗口0（N 正向） 窗口1（N 蛇形反向）
ν0 ν1 ν2 … ν7 ν0 ν1 … ν7
μ0 0 4 8 … 28 μ4 60 56 … 32
μ1 1 5 9 … 29 μ5 61 57 … 33
μ2 2 6 10 … 30 μ6 62 58 … 34
μ3 3 7 11 … 31 μ7 63 59 … 35
块 31 = (μ3, ν7)，块 32 = (μ4, ν7)——相邻两个块共用同一条 B 列带（ν7），窗口切换几乎零增量。对比朴素行优先（Ñ=16 时）：一波横跨 2 个 A 行块 + 16 条 B 列带，足迹 (2·M^t + 16·N^t)·K·dtype；滑窗为 (4·M^t + 8·N^t)·K·dtype——M^t≈N^t 时足迹缩小 1/3。
窗内为什么不蛇形（对上例中"块 3=(μ3,ν0) → 块 4=(μ0,ν1) 而非 (μ3,ν1)"的说明）：蛇形的收益来自"相邻遍历段共享边界数据"，要分两种边界看：
- 窗内列间边界（ν0→ν1）：相邻两段共享的是同一组 A 行块（W 个），它们在整个窗口期间全程驻留 L2，无论按什么顺序扫，工作集不变——窗内蛇形零收益；
- 窗口行边界（窗口0→窗口1）：A 行整体换血（μ0..3 → μ4..7），此时 B 列带的连续性决定换血成本——不蛇形则下一窗口从 ν0 开始（LRU 上最久未用、早已被挤出 L2 的冷带），蛇形则延续上一窗口末尾的 ν7（最热线带）。蛇形只标在窗口行号上（源码
BatchMatMulAswBlock::UpdateBasicIndex：仅rowIdx为奇时 n 反向，窗内 m 最快序不反向），正是这个收益结构的直接实现。
Step 5：L2 分组（工作集超 L2 时）
切的是什么：将 mCnt×nCnt 个基本块划分为若干执行组——每组覆盖输出平面上一个连续矩形区域（若干 singleCoreM × singleCoreN 基本块的集合），使该组所需的 A 行带 + B 列带输入工作集 ≤ L2 可用读入空间；组内所有基本块算完再进下一组，输入只在跨组时换一次。
为什么需要它：滑窗压缩的只是"同一波"的足迹；若整个工作集超 128MB L2，跨波次复用落空——上一波窗口的 A 行早被挤出，下一波又得回 GM 读。且 L2 是读写共用的：输出经 fixpipe 写出时若驻留 L2（dirty），会压缩读入可用空间；若直写 GM，则占用与读共享的 1.6TB/s 总线。所以 L2 切分必须与写出策略联合决策。记输入总量 $S_{in} = B(MK+KN)\cdot\text{dtype}$，输出总量 $S_{out} = B \cdot MN \cdot outB$。
两个不变量（一切分析的起点）：
- GM 流量下界 $= S_{in} + S_{out}$：输入至少读一遍、输出最终至少要写一遍到 GM，与 L2 策略无关；
- L2 读入可用空间：$L2_{read} = L2 - S_{out}^{resident}$（
S_{out}^{resident}为驻留 L2 的输出量）——写出驻留 L2 会压缩读入空间，这是写出策略影响读入复用的通道。
重复读倍率：r_{in} = GM 输入流量 / $S_{in}$。r_{in} = 1 表示每个输入数据从 GM 只读一遍（后续复用全在 L2 命中）——这是 GM 输入流量的下界，L2 管理的全部目标就是让 r_{in} 尽量接近 1。
先判定写出会不会 Bound。平均写出带宽需求：
BW_{out} = \frac{S_{out}}{T_{MMAD}} = \frac{B \cdot MN \cdot outB}{2BMNK\,/\,(C \cdot Q_{16})} = \frac{C \cdot Q_{16} \cdot outB}{2K}
只与 K、outB 有关（K 越小，单位时间输出越密）。例（BF16 输出，C·Q₁₆=432 TFLOPS）：K=512 → 844 GB/s；K=256 → 1.69 TB/s，已超 GM 总线——此时任何策略都写出 Bound，L2 缓冲只能削峰（fixpipe 以 5.2TB/s 写 L2 吸收突发），平均速率仍受总线限制，应预期 Fixpipe 成为 T_{total} 的 max 项。
分场景决策：
场景 A：$S_{in} + S_{out} \le L2$（全驻留）。输入读一遍（$r_{in}=1$），输出驻留 L2（dirty）异步回写 GM——写出走 5.2TB/s L2 写口，不与读争，也削平了 GM 写突发。无需切分。
场景 B：S_{in} \le L2 但 $S_{in} + S_{out} > L2$（输入能驻留，加上输出超了）。策略：输入驻留、输出直写 GM。理由链：
S_{in} \le L2⇒ 全部输入可驻留 L2，跨波次复用全部命中 ⇒ $r_{in} = 1$（GM 输入流量达到下界 $S_{in}$）；- 输出在本算子内只写不读、零复用收益；若输出也驻留 L2（dirty），超出 L2 的部分会把输入挤出——被挤出的输入后续得回 GM 重读 ⇒ $r_{in} > 1$，GM 流量超出下界；
- 故让输出直写 GM（fixpipe L0C→GM，不占 L2），把 128MB 全部留给输入，保住 $r_{in} = 1$——GM 总流量保持下界 $S_{in} + S_{out}$；
- 代价是输出即刻占用 GM 写带宽（与读共享总线），须校验总线不爆：$(S_{in} + S_{out})/T_{MMAD} \le W_{GM}$。
例：B=8、M=N=4096、K=512、BF16——$S_{in}$≈67MB ≤ L2，$S_{out}$≈268MB 直写 GM；T_MMAD≈318µs，总流量速率 (67+268)MB/318µs ≈ 1.05TB/s < 1.6TB/s ✓。
场景 C：$S_{in} > L2$（输入本身超）。需要分组执行——把 mCnt×nCnt 个基本块划分为若干执行组，每组内所有基本块的输入工作集不超过 L2 可用空间。输出直写 GM（不占 L2 读入空间）。
L2 的软件可控手段：L2 是 Cache 而非 Buffer，软件无法精确控制"哪些数据在 L2 里"。可用的控制手段：
- Cache Hint（
SetL2CacheHint）：标记输入为 allocate（读入 L2）或 non-allocate（直读 GM 不过 L2）；标记输出为 non-allocate（直写 GM 不占 L2）； - CMO（Cache Maintenance Operation）：Prefetch/Writeback/Invalidate，在关键节点主动管理 L2 内容；
- 执行顺序（swizzle）：通过编排基本块的执行顺序，控制同一时刻的活跃工作集——这是最主要的 L2 管理手段。
执行组的划分：
问题：mCnt×nCnt 个基本块（每块输出 singleCoreM×singleCoreN），按什么粒度分组，使每组的输入工作集 ≤ L2？
每组输入工作集：一组覆盖 M 向 m_{grp} 个基本块、N 向 n_{grp} 个基本块，即覆盖输出区域 $[m_{grp} \cdot \text{singleCoreM},; n_{grp} \cdot \text{singleCoreN}]$。该区域需要读入的输入：
WS_{grp} = B \cdot K \cdot \big(m_{grp} \cdot \text{singleCoreM} + n_{grp} \cdot \text{singleCoreN}\big) \cdot \text{dtype} \;\le\; L2
目标：最小化组数（组数越少，输入从 GM 的重复读次数越少）。每行 A 被 n_{grp} 个组各读一次，每列 B 被 m_{grp} 个组各读一次：
r_{in} = \frac{n_{grp} \cdot M + m_{grp} \cdot N}{M + N}
求解：约束 $m_{grp} \cdot \text{singleCoreM} + n_{grp} \cdot \text{singleCoreN} \le D$（其中 $D = L2/(B \cdot K \cdot \text{dtype})$），最小化 $n_{grp} \cdot M + m_{grp} \cdot N$。最优在组内 M/N 向基本块数与输出平面形状成正比时取到：
m_{grp} = \Big\lfloor \frac{D}{2 \cdot \text{singleCoreM}} \Big\rfloor,\qquad n_{grp} = \Big\lfloor \frac{D}{2 \cdot \text{singleCoreN}} \Big\rfloor
总组数 $= \lceil mCnt/m_{grp} \rceil \times \lceil nCnt/n_{grp} \rceil$。
组内 swizzle：每组内部按 ASW 滑窗蛇形执行（窗口 $W = \max{d \mid d \mid C,; d \le \lfloor\sqrt{C}\rfloor}$，C=32 时 W=4），保证同一波 C 个核的活跃工作集最小。组间切换时输入整体换入——上一组的 A 行带和 B 列带全部失效，从 GM 重新读入下一组的数据。
例（B=64、M=N=2048、K=1024、BF16、singleCoreM=singleCoreN=256）：$S_{in} = 64 \times (2048 \times 1024 + 1024 \times 2048) \times 2 = 537\text{MB} > 128\text{MB}$。D = 128\text{MB}/(64 \times 1024 \times 2\text{B}) = 1024 元素。$m_{grp} = \lfloor 1024/(2 \times 256) \rfloor = 2$，$n_{grp} = 2$。每组覆盖 [512, 512] 的输出区域，工作集 $= 64 \times 1024 \times (512+512) \times 2 = 128\text{MB} = L2$，恰好装满。总组数 $= (2048/256/2)^2 = 16$。$r_{in} = (2 \times 2048 + 2 \times 2048)/(2048+2048) = 2$——每行 A 被读 2 次，每列 B 被读 2 次。
块内分配用错位分核（对角线分配）：线性块号先取 m，n 方向叠加随块号递增的相位偏移，使同一时刻各核落在 M×N 平面的不同对角线上——避免多核同一拍并发读同一行 A / 同一列 B 的同一地址（同地址并发读会串行化，等效带宽打折）。例（8 核、4×4=16 个基本块，k0~k7 为核号）：
行优先（不错位）： 错位分核（对角线）：
n0 n1 n2 n3 n0 n1 n2 n3
m0 k0 k1 k2 k3 m0 k0 k4 . .
m1 k4 k5 k6 k7 m1 . k1 k5 .
m2 . . . . m2 . . k2 k6
m3 . . . . m3 k7 . . k3
同一波：A 行带 m0 被 k0~k3 同读 同一波：每行带、每列带
（4 路同地址冲突） 最多 2 核同读（冲突 4→2）
冲突度量与优选规则：
transConflict = \max\big(\lceil C / mCnt \rceil,\; \lceil C / nCnt \rceil\big) \le 6
即同一时刻并发核访问同一 A/B 块的最大冲突数不超过阈值（经验值 6）；切分方案中优先选尾波不满载占比小（拖尾 < 一半）的。遍历大方向由 calOrder 决定（0=M 优先、1=N 优先），按形状选共享矩阵更能驻留 L2 的方向。
补充：若输出会被后续算子立即消费（融合场景），输出驻留 L2 让下游读命中，场景 B/C 的策略反过来；本文按单算子边界分析。
Step 6：核内 tiling（BaseM/BaseN/BaseK——L0 级 tile，受 L0 容量直接约束）
$\text{BaseM} \times \text{BaseN} \times 4\text{B} \times DB \le L0C$；$\text{BaseM} \times k_{L0} \times \text{dtype} \times 2 \le L0A$、$k_{L0} \times \text{BaseN} \times \text{dtype} \times 2 \le L0B$；内轴按 dValue 256B/512B 对齐。SingleCoreM/N 内部按 BaseM/BaseN 进一步切分为 L0 tile 逐个计算。L1 按容量开双缓冲，余量充足开 4 buffer。
Step 7：内部特化（参数极限，不是独立分支）
单边无 batch 且该侧矩阵小（$M \le 256$、$MK\cdot\text{dtype}\cdot 2 \le L1$、对侧每核循环 ≥4 轮）时小侧整个常驻 L1、只搬一次（L1 全载）。
Step 8：降核模式实现
tiling 时 usedCoreNum = ⌈P⌉（不强制 C），SingleCoreM/N 在 L0C 容量内取最大（$\text{singleCoreM} \times \text{singleCoreN} \times 4\text{B} \le L0C$），每核按标准核内流水（L1→L0→Cube→L0C→Fixpipe）处理自己的输出块；核间无共享无依赖，无需 swizzle 与 L2 切分。降核后 GM 并发搬移核数若 < minCoreNum，带宽利用率上限被压低——这正是降核区 case 时延的瓶颈所在，也是"时延绝对值小、不再继续优化"的定量注脚。
参考文献
- 昇腾 950 NPU 架构白皮书，华为技术有限公司，2026
- cann-ops-nn 源码仓