MNN Hexagon 优化 Skill

触发条件：优化/重构 MNN Hexagon DSP 代码路径，分析 DSPOpType 性能数据，诊断 cDSP crash，或做 Hexagon 侧内存占用测量。

在这个后端里，正确性、设备稳定性和实测数据的价值远高于凭直觉的微优化。本文所有经验规则都由实测得出，多数是某次错误结论换来的。

硬约束

• 不允许用 CPU fallback 当优化。不要拒绝 Hexagon 支持、把算子改路由到 CPU，也不要保留任何"把工作搬离 Hexagon 换来的耗时下降"。
• 不允许用算子融合当优化，除非用户明确解除该限制。包括图级融合、host 命令融合、DSP 命令组序列融合，以及用融合自定义算子替代多个算子。
• 优化范围限定在 Hexagon/HTP/DSP 的调度、kernel、分块、数据搬运、资源加锁、profiling 清理等不改变后端归属的实现细节内。
• 代码分支必须由设备决定（info().hvxArch、info().maxThreads、运行时查询的 VTCM 大小），不能由环境变量决定。同一颗芯片必须永远走同一条路径。env 开关只允许作为改动开发期的临时 A/B，上线前必须删除 —— MNN_HEXAGON_Q4_GEMV_I8 和 MNN_HEXAGON_PATHA 就是这类，已按此惯例移除。
• 不要在热 kernel 里留"默认关闭的半成品实现"来"保留未来可能性"。git 历史比散布在热函数里的八处 #if 更适合保管它。

工作流

1. 改之前先读现有实现：
   • host/backend 侧：source/backend/hexagon
   • DSP kernel 与派发：source/backend/hexagon/htp-ops-lib/src/dsp
   • 复用已有的 HVX/HMX/DMA 辅助函数，不要另起一套平行抽象。
2. 改动先求小而保行为：
   • 优先做小的机械重构，再改算法。
   • 不要随意加大 worker 栈，除非明确要求。
   • 最终代码里不留临时 profiling、调试日志、实验性开关。
3. 先测量再优化。 打开对应的 gated profiler（见「相位 Profiler」），让相位分解决定优化目标。这个后端里大部分收益都落在没人会猜到的相位上：那个"矩阵乘"算子曾经只有 4% 的时间在做矩阵乘，49% 花在把结果写回内存。
4. 每个有意义的 DSP 改动都要验证：
   • 重编 DSP .so，同时重编 host（见测量纪律第 1 条，无条件）。
   • 把生成的 .so 拷进 project/android/build_64。
   • 跑目标模型测试，检查 DSPOpType 输出。
   • cDSP/qurt crash、设备掉线、profile RPC 失败，都算测试失败。
5. 直接比较目标算子：
   • 用 DSPOpType <OP> 的数字，不要只看 RTF 或总墙钟。
   • 多跑几次，报告离散度，尊重该设备的噪声带。
   • 只保留"目标算子变快且不损害正确性与稳定性"的改动。
6. 声明收益前必须两个架构都测。 一个改动在某个 arch 上有效、在另一个上无效甚至变差，原因往往与 kernel 本身无关 —— 见「双架构」。
7. 记录被否证的尝试，连同否证它的那个数字。 负面结果通常能定位瓶颈（那个"毫无收益"的 :nt store 恰恰证明了该相位是 issue-bound），并且能避免下一个人重跑一遍。

构建与同步

按项目脚本预期的目录执行命令。

• Executor::RuntimeManager::createRuntimeManager 会把 backend runtime 加到创建时当前的 Executor 上。要在 benchmark 期间保持 DSP 电源，必须在 runtime manager 存在之后、从同一个 Executor 创建 activation guard，并让它在被测区间内一直存活；不要为了供电另建一个 Hexagon Executor。
• Android 构建目录：cd project/android/build_64
• 重编 host 产物并更新设备：
  • cd project/android/build_64 && ../build_64.sh -DMNN_HEXAGON=ON -DMNN_GPU_TIME_PROFILE=ON && ../updateTest.sh
  • updateTest.sh 对未构建的可选二进制会打印 adb: error: cannot stat，属正常。确认 libMNN.so、ModuleBasic.out 和目标 demo 已推送即可。
• 改了 htp-ops-lib/src/dsp/* 之后重编 DSP：
  • cd source/backend/hexagon/htp-ops-lib && source ~/.bash_profile && sh sync_remote_build.sh
  • 也可以显式传构建机与 SDK，比依赖 profile 更可靠： REMOTE_SSH=<user@buildhost> HTP_OPS_SDK_ENV=<path/to/setup_sdk_env.source> bash sync_remote_build.sh v81
  • 指定架构就显式传，例如 sh sync_remote_build.sh v79。
  • 确认脚本报告"无未预期的 undefined symbol"并成功推送 DSP 库。
  • 给非当前设备的架构构建是个坑。 脚本会自动推送到唯一连接的设备，而 FastRPC stub libMNN_htpops.so 是按 arch 不同的，所以一次 v79 构建会覆盖 v81 设备的 stub。跨架构构建时屏蔽 adb（PATH=/usr/bin:/bin bash sync_remote_build.sh v79，脚本会打印 skip adb push），再自己把产物拷到另一台设备。
  • DSP 构建不可复现：远程构建目录的唯一 id 会进入产物，同一份源码每次编出的 md5 都不同。.so 的 md5 只能证明"编过一次"，永远不能证明"设备上是哪份源码"。设备状态要用行为验证 —— 见测量纪律。
• 本地测试时把 DSP 库拷进 Android 构建目录：
  • cp source/backend/hexagon/htp-ops-lib/outputs/libMNN_htpops.so project/android/build_64/libMNN_htpops.so
  • cp source/backend/hexagon/htp-ops-lib/outputs/libMNN_htpops_skel.so project/android/build_64/libMNN_htpops_skel.so

测量纪律

下面每一条都是因为违反过一次、得出了一个自信但错误的结论。

1. 每个测量点都无条件重编 host。 绝不能以"这个提交只改了 DSP 代码"为理由跳过。host 与 DSP 库是配对的：拿提交 N 的 DSP 库配提交 N-1 的 libMNN.so，会静默选中不同的 kernel。曾因此把某个点测成 tg128 57.4（权重路径实际被关闭）而不是 89.2。host 增量构建只要几秒，这个错误却要花掉几小时。
2. 相信一个数字之前，先确认设备上到底跑的是什么。 md5 做不到这件事（构建不可复现）。用行为来确认：
   • 身份行 [MNN::Hexagon] vectorSize=.. vtcmSize=.. maxThreads=.. hvxArch=.. 确认是哪台设备、哪个 skel 架构；
   • 一次 greedy 解码与该设备自己的参考文本逐字节比对，确认跑的是哪份代码。
3. 只在同一份代码版本内做比较。 不要拿旧提交的数字和当前树的数字比，更不要跨两条不同算法路径比。两者同时犯就会得出"少两个线程反而快 16%"这种结论 —— 同代码扫一遍线程数即被完全否证（8/7/6 线程下平坦）。
4. 先确定每台设备的噪声带，带内的差值一律不读。 裸开发板 prefill 可以做到 ±0.3%；跑着完整 Android 系统的真机是 prefill ±4%、decode ±7%，短 prompt 更差。任何 std/mean 超过约 2% 的点都要重测。
5. 测量周期的首尾都要复测基线，不只是开头测一次。 设备最凉最闲时的第一次读数可能是离群值：曾有这样一个读数让"持平"看起来像 7% 的性能回退，只有复测同一个提交才暴露出来。
6. 真机上的噪声是单边的。 后台系统服务会制造单次灾难性掉速 —— 曾观测到某次 prefill 均值的标准差达到均值的 69%。既然只会变慢，这类设备上就该用 best-of-N 或中位数而非均值，并说明用了哪个估计量。
7. 基线取"改动前能达到的最好配置"，不是"出厂默认配置"。 曾有一个默认路径比同一个 build 里另一条已存在的路径慢 19%，若按默认配置做基线，就会把"修好别人的劣化"算成自己的优化成果。
8. 分清每个数字覆盖什么。 llm_bench -p N 是纯 prefill、-n N 是纯 decode，但 llm_demo 带 prompt 文件跑的时候会混入尾部的 decode 步，所以那次运行里的单算子时间是两个阶段之和。只有确知是哪个阶段贡献的，才能做算子级归因。
9. 相位数字与吞吐数字是两种测量，不能混用。 打开 gated profiler 会扰动被测对象本身，所以永远不要把带 profiler 的相位数字塞进吞吐对比里；要说明每个数字出自哪个 build。

相位 Profiler

编译期开关，默认关闭，关闭时零开销。这些是仪器，动手推测之前先用它们。

开关	位置	报告内容
HTP_MM_PHASE_PROFILE	ops/matmul_q4fp16.c + execute_command.cc	prefill GEMM 各相位 → profile[200..212]：HMX 计算、等权重反量化、DMA 等待、输出写回、激活 shuffle、setup、worker 侧写回/反量化累计时间
HTP_QATTN_PHASE_PROFILE	attention_hmx.cc + execute_command.cc	attention 队列线程相位 → profile[244..250]：DMA 等待、HMX 计算、score 写回，外加 K/V 字节数、激活字节数和 dmstart 次数
HTP_WATTN_PHASE_PROFILE	attention_sync_process.cc + execute_command.cc	attention worker 相位 → profile[251..255]，按 worker 累加：Q 收集、QK 提交+等待、softmax、SV 提交+等待、O 散出

一对文件里的 define 都要改，重编后这些值会作为伪算子出现在 DSPOpType 表里。报告吞吐前记得改回关闭。

怎么读：

• dmstart 计数器的存在意义是回答"这个 DMA 等待是按字节收费还是按次数收费"。用等待时间除以次数：若得到一个稳定的每次耗时、且字节数变化时它不变，就是按次数收费，解法是"更少但更大的传输"，而不是"更少的字节"。
• worker 侧数字是跨 worker 累加的。 要除以 worker 数才得到墙钟贡献，再与队列线程总和比较，才知道哪一侧是临界路径。
• DSP 侧的 FARF 不一定能到 adb logcat（在 v79 上就到不了，-b all 也不行）。不要把诊断建立在 FARF 探针上，优先用 profile slot —— 它们通过 profile buffer 回传。

双架构（v79 / v81）

info().hvxArch 和 info().maxThreads 在 host 侧可用（HexagonRuntime::info()）；arch 值源自 DSP（commu.cc 把 __HVX_ARCH__ 写进 info 结构体），因此它报告的是 FastRPC 为这颗芯片加载的那份 skel。查询失败会读到 0 —— 按"更旧/更安全的路径"处理。

• 逐算子的 v79/v81 耗时比集中在 1.1–1.3×，即优于 6 对 8 线程本身预测的 1.33×。某个算子明显偏离这个区间，才是"该 arch 有专属问题"的信号，而不是普遍偏慢。
• 绝不能让工作划分数量与线程数撞上。 某条路径恰好切成 n_kv_heads = 8 个任务：在 8 线程设备上正好一波跑完，在 6 线程设备上变成两波，尾波只有 2/6 的占用率 —— 足以把一个 30% 的算法收益全部吃掉。对每个划分都要问一句：这个数是不是偶然等于某个硬件参数？ 任务数要远多于线程数；当任务开销不均时（因果掩码使靠后的块贵得多）必须先派发最贵的。 反过来也要注意：本来就能填满整波的划分，再细拆只会增加开销 —— 无条件细拆曾让某算子变慢 3.5%。
• 一台设备就能验证 arch 假设。 临时把 worker_pool.cc 里的 g_max_num_workers 钉死成更窄设备的线程数。若 N 与 N-1 之间出现悬崖、且 N-1 与 N-2 几乎相同，就是波次量化；若是平滑缩放，才是真正的单线程性能差异。正是这一招把"v79 硬件不同"（错）和"任务数恰好等于 v81 的线程数"（对）区分开。
• 有些 arch 分支是真实硬件约束，不可统一：v79 的 HMX 只支持共享锁，v81 是独占（hmx_mgr.cc）。另一些则是历史遗留、值得重测 —— 一条被 __HEXAGON_ARCH__ >= 81 门控的 prefill 路径，曾把五项优化整个从 v79 的构建里编译掉，而 host 侧仍在为它们分配 workspace。
• 权重布局按设计就是 arch 相关的：M=1 整数 GEMV 需要的 vrmpy 布局只在 v81 及以上划算，所以新架构只保留该布局、旧架构只保留 HMX 布局。要在重排之前就决定，让用不到的布局根本不被生成 —— "先生成再释放"曾占掉模型加载时间的 5.4%。

本后端已实测的瓶颈模式

想新理论之前先对照这些，每一条都在这里至少测到过一次。

• DMA 的成本由每次传输的固定延迟主导，而非字节数。 把大量小传输合并成一次 2D 传输。
• 写回/搬运相位可能是 issue-bound 而非带宽受限。 症状：换成非临时存储毫无变化。解法是提高并行发射或减少每字节的指令数，而不是加 cache 提示。
• 不满一个槽位的写入会静默退化成 read-modify-write。 若一次写只覆盖目标 packing 槽位的一半，它就变成"读—改—写"，触碰 2 倍内存。攒到能配对再写。
• 搬运修好之后瓶颈会转到计算，反之亦然。 每接受一个改动都要重跑相位分解；相位级大幅收益但墙钟收益很小，说明临界路径已经不在那里了，而这恰好指出下一步该看哪。
• 多趟 DDR 遍历会藏在看起来很朴素的辅助函数里。 某个 softmax 把 score 读两遍、输出也读两遍，合计每元素 10 字节 DDR；把整行暂存进 L1 后降到 4 字节，整个算子 −9.4%，且结果逐位一致。
• 把工作交给 worker 不是免费的。 当这份工作本来就顶在 DDR 带宽上限时，握手就是纯增开销：inline 写回打败了提交给 worker 的同一份写回。

已否证方向（不要重做）

以下全部实现并测量过，别再重新推导一遍。

• prefill attention 的 dmlink 连续链 DMA 解耦：实现正确，收益 0 ms。
• 提高因果分组的 Q 行数（64 → 128）：两次否证。
• prefill GEMM 用非临时（:nt）存储：无收益（但由此得出上面的 issue-bound 结论）。
• 激活 shuffle 里加提前一块的显式 l2fetch：慢 1.7 ms。
• 让派发线程自己反量化第一块而不是等 worker：持平。
• prefill 权重 staging 双缓冲：导致设备重启。host 侧已经按"恰好一份权重填满 VTCM"来确定 np，而 vtcm_seq_alloc 是无边界检查的 bump 分配器，第二份直接越界。任何增加 VTCM 占用的改动，都必须在同一个提交里改 host 侧的 sizing。
• 为队列线程预留一个 HVX 槽位（怀疑超额订阅）：否证，耗时在各 worker 数下平坦。

设备风险

• 4096-token 的 prefill 会硬重启设备，在干净的历史版本上同样如此。除非专门排查那个 crash，长 prompt 一律封顶到 2048。
• vtcm_seq_alloc 不做边界检查。加宽任何 staging buffer 之前，手算一遍 VTCM 占用。
• host 上传会落进被回收的设备内存，而 DSP 可能仍持有该内存的脏 cache 行，这些行可能在之后任意时刻被驱逐、盖在刚上传的数据上。必须在 host 写入之前把目标区间刷回 —— 写入之后再刷会让情况严重得多。
• 设备掉线后：adb kill-server && adb start-server，确认序列号回来之后，才可以对之前那次失败的运行下任何结论。

Profile 与 Crash 检查

• 查失败前先清日志：adb logcat -c
• 运行后取日志：adb logcat -d
• 搜索失败特征：
  • rg -i "execute_command_group_profile failed|qurt|sysfatal|fatal|crash|tlb|cdsp.*crash|adsp.*crash|segv|signal 11"
• 若运行失败、超时、返回 profile RPC 错误，或设备短暂掉线，继续之前先查 cDSP tombstone/ramdump：
  • adb shell "ls -lt /data/tombstones /data/vendor/tombstones /data/vendor/ramdump /data/vendor/ssrdump 2>/dev/null | head -80"
  • adb shell "find /data/tombstones /data/vendor/tombstones /data/vendor/ramdump /data/vendor/ssrdump -maxdepth 2 -type f 2>/dev/null | tail -40"
  • 只把最新的相关文件或小目录拉到本地临时路径检查。
  • 在拉取的文件里搜 DSP 失败特征：
    • rg -i "cdsp|adsp|qurt|sysfatal|fatal|crash|tlb|page fault|protection|signal|MNN|htp|fastrpc" <pulled_path>
  • 总结出有用信号后删除临时拉取的 tombstone/ramdump 文件。
• 以下一律算失败：
  • [Hexagon] execute_command_group_profile failed with code -2147482610
  • qurt/cDSP fatal 日志。
  • 测试窗口内新增或更新的 cDSP tombstone/ramdump。
  • 测试期间设备 offline/掉线。
  • 改了 DSP 代码后 .so 缺失或过期。
• 有用的 profile 字段：
  • Hexagon DSP Profile
  • Command groups
  • Command dirty
  • DSPOpType <name> (<id>): <time> ms
  • Hexagon onCopyBuffer Profile

HVX/HMX 指引

• HVX 指令细节参考 ~/Download/hvx.pdf。
• 引入新的 intrinsic 写法之前，先找项目里已有的例子。
• 只在对齐有保证时用 vmem；不对齐访问用 vmemu。
• DMA/HVX/HMX 的改动要落在"内存流量"和"实测算子时间"上。
• HMX 路径在加宽 tile 或 block 之前，先核对 VTCM 分配大小、tile 数和 descriptor 数。
• 不要假设一个微优化能在 v79/v81 之间通用；针对目标架构构建并测试。不通用的原因、以及如何用单台设备验证 arch 假设，见「双架构」。

DSP DMA-BUF 内存测量

用于验证 Hexagon/DSP 内存占用，或对比 CPU 与 forwardtype=10。

1. 把模型配置成走 DSP：
   • 模型 config.json 设 forwardtype=10。
   • 除非任务明确要求，保持模型原本的 precision。
2. 用足够多的重复输入让进程活着，便于采样。
3. 找到进程 PID：adb shell ps | grep <process_name>
4. 进程还活着时，把三个内存视图都采一遍：
   • 进程 RSS/HWM：adb shell "awk '/VmRSS:|VmHWM:/{print}' /proc/<PID>/status"
   • 进程 DMA-BUF：adb shell dmabuf_dump <PID>
   • 完整内存：adb shell dumpsys meminfo <PID>
5. 尝试系统级 DMA-BUF 总览，但要明确记录权限/路径失败：
   • adb shell cat /sys/kernel/debug/dma_buf/bufinfo
   • 有些设备暴露 /sys/kernel/dmabuf/buffers，可能需要 root。
6. 内存数字分开报告：
   • VmHWM、TOTAL RSS、TOTAL PSS、dmabuf total 或 PROCESS TOTAL
   • 需要时用 VmHWM + dmabuf total 近似"进程可见的 DSP 压力"。

安全检查清单

• 目标模型通过正确性检查，例如 cos_sim 可接受。
• 目标 demo 输出符合预期且不 crash。
• greedy 解码输出与该设备的参考文本逐字节比对过。如果变了，必须已经弄清原因并明确说明 —— 这个后端里大部分 kernel 工作都应当是数值保持的，输出有差异是一个发现，不是一个细节。
• 报告了 DSPOpType 目标耗时，并与明确的基线对比，且基线是改动前能达到的最好配置。
• v79 和 v81 都构建并测量过；只覆盖其中一个时，说明理由。
• 报告的差值超出测量设备的噪声带，且均值旁边给出了离散度。
• 每个测量点都重编过 host。
• git diff --check 干净。
• 没有残留的临时日志、计数器、逐算子 tracing、写死的 worker 数或 env 开关，除非明确要求。gated profiler 已恢复默认关闭。
• 报告性能之前，重编的 DSP .so 已拷贝/推送到位。