CPU& 內存加壓工具 stress-ng 介紹

在實車測試時，除了感知算法外，往往還會有別的 APP 在同時運行，從而擠壓算法的資源占用，影響模型性能，降低部署效果。因此在項目早期做板端驗證的時候，我們就可以使用一些工具對 CPU 和內存進行加壓，再運行模型，以模擬實車測試的情況，得到模型在硬件資源受限時的性能數據，做到心中有數，及時調整優化，避免到了項目后期還要為節約性能開銷而裁剪模型，得不償失。

本文的重點在于向廣大開發者介紹 stress-ng 工具，并探究該工具是否能明顯影響模型的性能表現，以方便開發者在非實車環境下能做好性能驗證工作。關于模型或工程的性能調優，可參考社區其他精品貼。因作者水平有限，文章如有錯漏之處，歡迎指出并共同交流。

Stress-ng 可以在 linux 上產生系統負載，可加壓 CPU、內存、磁盤 IO 等，且有多種加壓策略，比如浮點運算、整數運算、矩陣運算、壓縮、解壓縮等，可以用來測試系統在高負載的狀況下的穩定性。

Stress-ng 工具的 github 開源地址為：https://github.com/ColinIanKing/stress-ng

1. 首先進入 stress-ng 的 github 頁面，下載源碼到我們的 x86 服務器上

1. 接下來進行源碼編譯。由于我們的加壓測試環境是 arm 開發板，而 github 介紹的編譯流程基于 x86，因此我們需要配置**環境變量來設置交叉編譯器**，以編譯出可在開發板運行的二進制文件，參考代碼如下：

cd stress-ng-0.17.06export CC=aarch64-linux-gnu-gccmake

1. 編譯完成后，會在源碼所在的文件夾下生成可執行文件 stress-ng，將其復制到開發板上的/userdata 路徑即可。

• --cpu N：讓 N 個 CPU 滿載，N=0 會讓所有 CPU 滿載

• --cpu-load M：搭配--cpu 使用，占用 N 個核各自 M%的 CPU 負載

• --vm N：啟用 N 個進程占用內存，不斷釋放和分配

• --vm-bytes N：所有 vm 進程共占用 N 字節的內存大小，可帶單位，如 1M 1G

• --vm-keep：vm 進程一直占用內存不釋放

• --timeout N：加壓時長 N 秒，可帶單位，如 1s 1m 1h 1d，不配置則為 1d

CPU 加壓命令：

stress-ng --cpu 4 --cpu-load 90

運行以上命令可讓 4 個 CPU 核各以 90%左右的負載運行。

執行以下命令可讓 CPU 和內存共同被加壓：

stress-ng --vm 2 --vm-bytes 2G --vm-keep

vm 為 2 會讓 2 個 CPU 核滿載運行，vm-bytes 為 2G 則會占用 2G 的內存（和 vm 數量無關），添加 vm-keep 會讓內存一直占據不被釋放。這個命令可以同時為 CPU 和內存加壓，是比較推薦的一種方式，本文也會基于這種方法做性能測試工作。

hrt_model_exec 是地平線算法工具鏈提供的模型執行工具，可以使用該工具的 perf 功能在開發板上評測模型的推理性能，該工具的完整介紹可以查看用戶手冊：

https://developer.horizon.cc/api/v1/fileData/horizon_j5_open_explorer_cn_doc/runtime/source/tool_introduction/source/hrt_model_exec.html

我們可以在 OE 包的 ddk/package/board/hrt_tools/bin 路徑找到這個工具，需要將其復制到開發板。

hrt_model_exec 可以在單核單線程下評測模型的單幀延時（Latency），也可以在雙核多線程下評測模型的吞吐量（FPS）。單幀延時體現了單個模型處理一幀數據所需的時間，是衡量計算平臺能滿足實時性能要求的重要指標。

這里我們選擇基于單幀延時來分析性能影響，相比 FPS，對單幀延時的觀測會更加穩定。

評測模型單幀延時的參考命令如下：

hrt_model_exec perf --model_file ./model.bin --frame_count 1000

frame_count 默認為 200，這里我們設置為 1000，為的是讓評估的數值更加準確。

本文分別使用一大一小兩個模型分析 CPU 和內存加壓對單幀延時的影響，計算平臺為 征程 5。

大模型使用 CenterPoint（來自 OE 包 ddk/samples/model_zoo/runtime/ai_benchmark/qat/centerpoint_pointpillar_nuscenes），小模型使用 Resnet18（OE 包 ddk/samples/ai_toolchain/horizon_model_convert_sample/03_classification/03_resnet18 以 O3 編譯）。加壓手段采用本文 2.3.3 “CPU 和內存共同加壓方法”，比較兩個模型的單幀延時受影響程度。

對本實驗涉及到的 征程 5 硬件資源，這里做出以下簡單介紹。

• CPU: 8 * A55

• BPU：征程 5 有雙核 BPU，但本文所做的性能測試只用到單核

• 內存：可使用 free 命令查看開發板內存分配情況，在不執行任何用戶進程時，可用內存約為 3.8G，見下圖

• 實驗 1 為不加壓時，分別單獨運行 CenterPoint 和 Resnet18 得到的單幀延時數據；

• 實驗 2-8 為 1 個 CPU 核滿載時，內存占用依次提升的單幀延時數據；

• 實驗 9-15 為 4 個 CPU 核滿載時，內存占用依次提升的單幀延時數據；

• 實驗 16-22 為全部 CPU 核滿載時，內存占用依次提升的單幀延時數據；

• CenterPoint 和 Resnet18 分開測試，不會同時運行。

  
  

可以查看下方更加直觀的，基于表格信息制作的折線圖。

圖中藍色圓點代表不加壓時，CenterPoint 的性能數據，綠色折線表示單核滿載時內存占用依次提升的性能數據，黃色折線表示 4 核滿載時內存占用依次提升的性能數據，紅色折線表示 8 核滿載時內存占用依次提升的性能數據。

Resnet18 折線圖的閱讀方法同 Centerpoint。由于在 8 核滿載（紅色折線）時，模型性能下降尤為嚴重，因此額外提供了下圖，可方便地看出單核滿載（綠色折線）和 4 核滿載（黃色折線）下的性能變化情況。

1. stress-ng 工具對 CPU 和**內存的占用，可以顯著影響模型性能**；

2. 內存加壓對模型單幀延時的影響相對較小，CPU 加壓影響較大；

3. 在內存占用相同時，CPU 占用越高，模型單幀延時越高；

4. 在 CPU 負載相同時，隨著內存占用的提升，模型的單幀延時有上升趨勢；

5. 在 CPU 全部核滿載時，小模型的單幀延時上升情況比大模型嚴重很多。

本文重點介紹了 stress-ng 工具并通過實驗證明了 stress-ng 對 CPU 和內存的加壓可以明顯影響模型的性能表現，該工具可方便開發者驗證模型在資源受限時的實際運行性能。