RISC-V ISA手册:LR/SC指令序列中内存访问对SC成功条件的影响分析
2025-06-17 19:02:17作者:农烁颖Land
在RISC-V架构的原子操作实现中,Load-Reserved(LR)和Store-Conditional(SC)指令对构成了实现无锁同步原语的基础机制。本文深入探讨当同一硬件线程(hart)在LR和SC之间插入其他原子内存操作(AMO)或普通存储操作时,对SC指令执行结果的影响机制。
LR/SC指令对的基本原理
LR指令会标记一个内存地址为"保留"状态,并返回该地址的当前值。后续的SC指令会尝试向同一地址写入新值,但仅在满足以下条件时才会成功:
- 目标地址自LR执行后未被其他硬件线程修改
- 当前硬件线程仍保持对该地址的"保留"状态
SC执行后会返回操作状态:0表示成功,非0表示失败。
同一hart中间操作的影响
当同一硬件线程在LR和SC之间执行其他内存操作时,RISC-V规范对此有如下明确规定:
-
允许性规则:架构允许(但不强制要求)SC在这种情况下成功执行。这意味着实现可以(但不必)保持保留状态。
-
实现自由度:具体实现可以选择以下任一策略:
- 保守策略:任何中间内存操作都会使保留状态失效,导致后续SC必然失败
- 宽松策略:仅当中间操作修改了保留地址时才使SC失败
- 混合策略:根据操作类型区别对待(如普通加载不影响,但存储操作会使保留失效)
-
地址相关性:即使中间操作访问的是LR相同的地址,规范也不保证SC一定会成功。这与跨硬件线程的修改有本质区别。
微架构实现考量
在实际处理器设计中,这种灵活性允许不同实现根据其微架构特点进行优化:
- 简单实现可能采用保守策略,简化保留跟踪逻辑
- 高性能实现可能采用细粒度的保留状态管理,减少不必要的SC失败
- 某些实现可能根据内存类型(如缓存行状态)动态决定是否保持保留
编程实践建议
基于规范的不确定性,开发者应当注意:
- 避免在LR和SC之间插入不必要的内存操作
- 不要依赖中间操作与SC成功与否的任何隐含关系
- 循环重试机制应始终处理SC失败的情况
- 关键代码路径应考虑最保守的实现假设
与其他架构的对比
与某些严格保证中间操作会使SC失败的架构不同,RISC-V的这种灵活性:
- 为实现者提供了优化空间
- 要求开发者编写更健壮的代码
- 保持了不同实现间的行为一致性下限(SC可能失败)
理解这一特性对于编写可移植且高效的RISC-V原子操作代码至关重要。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878