SIMD 활용 분석 — Intrinsics·Auto-Vectorization·OpenMP SIMD
#한 줄 요약
“SIMD = 한 명령으로 여러 데이터.” 4~16배 가속이 가능하지만 코드보다 데이터 layout이 효과를 결정합니다.
#어떤 상황에서 쓰나
오디오 mixer, 카메라 frame conversion, IMU sensor fusion 같은 동일 연산 반복은 SIMD의 대표 무대입니다. 1 M element float add를 scalar로 돌리면 1.0 s, NEON으로는 0.25 s, AVX-512로는 0.06 s 수준입니다.
문제는 SIMD가 친화적인 코드를 처음부터 짜야 효과가 난다는 점입니다. AoS 구조를 그대로 둔 채 intrinsics만 끼워 넣으면 load/store가 모두 cross-line이 되어 기대만큼 빨라지지 않습니다.
#핵심 개념
세 가지 적용 전략을 알아둡니다.
- Auto-vectorization — 컴파일러가 자동.
- 장점: 코드 수정 0
- 단점: 조건이 까다로움
- Intrinsics — 직접 명령 호출.
- 장점: 정확한 통제
- 단점: vendor-specific
- OpenMP SIMD pragma — 컴파일러에 hint.
- 장점: portable, 간단
- 단점: 100% 자동은 아님
세 방식은 보완 관계입니다. 보통 OpenMP pragma + restrict로 시작하고, 안 풀리는 hot loop만 intrinsics로 다시 짭니다.
#코드 / 실제 사용 예
#Auto-vectorization 켜기
gcc -O3 -ftree-vectorize -fopt-info-vec source.cclang -O3 -Rpass=loop-vectorize source.c
gcc -mfpu=neon -ftree-vectorize source.c # ARMv7gcc-aarch64 -O3 source.c # AArch64 default-O3만 켜도 시도하지만 어떤 loop가 vectorize됐는지 -fopt-info-vec로 확인하는 편이 안전합니다.
#Vectorize 친화 코드
void scale(float * restrict a, float k, int N) { for (int i = 0; i < N; i++) { a[i] *= k; }}조건은 네 가지입니다.
restrict로 alias 가능성을 제거- Sequential access
- 조건 분기 없음
- Loop count가 알려져 있고 vector 크기의 배수
#Vectorize 안 되는 패턴
void copy(float *a, float *b, int N) { for (int i = 0; i < N; i++) a[i] = b[i]; /* alias 가능 → restrict 추가 */}
for (int i = 0; i < N; i++) { if (a[i] > 0) b[i] = a[i]; /* SVE/AVX mask 필요 */}
for (int i = 1; i < N; i++) { a[i] += a[i-1]; /* dependency → vectorize 불가 */}Recurrence는 prefix sum 알고리즘으로 다시 설계해야 풀립니다.
#NEON intrinsics
#include <arm_neon.h>
void add(float *a, float *b, float *c, int N) { int i = 0; for (; i + 4 <= N; i += 4) { float32x4_t va = vld1q_f32(&a[i]); float32x4_t vb = vld1q_f32(&b[i]); float32x4_t vc = vaddq_f32(va, vb); vst1q_f32(&c[i], vc); } for (; i < N; i++) c[i] = a[i] + b[i];}128-bit vector = 4 × float32 또는 8 × int16 또는 16 × int8입니다. 마지막 tail loop를 잊으면 안 됩니다.
#Cortex-M Helium (MVE)
#include <arm_mve.h>
void add_mve(int16_t *a, int16_t *b, int16_t *c, int N) { int i = 0; for (int n = N; n > 0; n -= 8) { mve_pred16_t p = vctp16q(n); int16x8_t va = vld1q_z_s16(&a[i], p); int16x8_t vb = vld1q_z_s16(&b[i], p); int16x8_t vc = vaddq_x_s16(va, vb, p); vst1q_p_s16(&c[i], vc, p); i += 8; }}vctp16q가 매 iteration의 predicate를 만들어 tail까지 자동 처리합니다. Cortex-M55/M85에서 MCU SIMD가 가능해진 핵심 기능입니다.
#SVE/SVE2 — vector length 가변
#include <arm_sve.h>
void add_sve(float *a, float *b, float *c, int N) { int i = 0; svbool_t pg = svwhilelt_b32(i, N); while (svptest_first(svptrue_b32(), pg)) { svfloat32_t va = svld1(pg, &a[i]); svfloat32_t vb = svld1(pg, &b[i]); svst1(pg, &c[i], svadd_x(pg, va, vb)); i += svcntw(); pg = svwhilelt_b32(i, N); }}128~2048 bit가 runtime에 결정되는 length-agnostic 코드입니다. Neoverse V1/V2와 Cortex-X 계열의 미래 표준입니다.
#x86 AVX2
#include <immintrin.h>
void add_avx(float *a, float *b, float *c, int N) { int i = 0; for (; i + 8 <= N; i += 8) { __m256 va = _mm256_load_ps(&a[i]); __m256 vb = _mm256_load_ps(&b[i]); __m256 vc = _mm256_add_ps(va, vb); _mm256_store_ps(&c[i], vc); }}AVX2 = 256-bit (8 float), AVX-512 = 512-bit (16 float)입니다.
#OpenMP SIMD pragma
#pragma omp simdfor (int i = 0; i < N; i++) { c[i] = a[i] + b[i];}
#pragma omp simd reduction(+:sum)for (int i = 0; i < N; i++) sum += data[i];
#pragma omp simd aligned(a:64, b:64, c:64)for (int i = 0; i < N; i++) { c[i] = a[i] * b[i];}GCC, Clang, Intel ICC 모두 지원합니다. Vendor 독립이라는 점이 큰 장점입니다.
#Multiple accumulator로 ILP 확보
float32x4_t acc0 = vdupq_n_f32(0);float32x4_t acc1 = vdupq_n_f32(0);float32x4_t acc2 = vdupq_n_f32(0);float32x4_t acc3 = vdupq_n_f32(0);
for (int i = 0; i + 16 <= N; i += 16) { acc0 = vaddq_f32(acc0, vld1q_f32(&data[i])); acc1 = vaddq_f32(acc1, vld1q_f32(&data[i+4])); acc2 = vaddq_f32(acc2, vld1q_f32(&data[i+8])); acc3 = vaddq_f32(acc3, vld1q_f32(&data[i+12]));}FMA latency가 3~4 cycle인 Cortex-A에서 누산기 하나만 쓰면 매 iteration이 직렬화됩니다. 4개로 늘려 latency를 숨기면 throughput이 거의 4배가 됩니다.
#Saturating arithmetic
uint8x16_t va = vld1q_u8(in_a);uint8x16_t vb = vld1q_u8(in_b);uint8x16_t r = vqaddq_u8(va, vb); /* saturate at 255 */vst1q_u8(out, r);vq* 계열은 overflow 시 wrap 대신 clip합니다. 이미지·오디오 처리의 표준 동작입니다.
#측정 / 성능 비교
1 M element float add (Cortex-A72)입니다.
| 구현 | 시간 | speedup |
|---|---|---|
| scalar -O2 | 3.20 ms | 1.0x |
| scalar -O3 auto-vec | 0.85 ms | 3.8x |
| NEON intrinsic | 0.78 ms | 4.1x |
| NEON + 4 acc | 0.42 ms | 7.6x |
Auto-vectorize만 잘 풀려도 4배에 도달합니다. ILP까지 챙기면 한 단계 더 갑니다.
x86 AVX2 1 M float addscalar 1.40 msAVX2 (8-wide) 0.22 ms 6.4xAVX-512 (16-wide) 0.11 ms 12.7xVector width가 그대로 speedup으로 이어지는 이상적 경우입니다.
#자주 보는 함정
Auto-vectorize를 무조건 신뢰
gcc -O3 ./prog# 실제로는 alias 때문에 vectorizer가 포기하는 경우 흔함-fopt-info-vec로 결과를 확인하고 restrict와 __attribute__((aligned))를 추가합니다.
Tail loop 누락
for (int i = 0; i + 4 <= N; i += 4) { ... }/* N=10 → i=8까지만 처리 */Scalar tail을 붙이거나 SVE/MVE의 predication을 활용합니다.
Misalignment 무시
float *p = malloc(N * sizeof(float)); /* 8B alignment */float32x4_t v = vld1q_f32(p); /* 16B aligned가 빠름 */aligned_alloc(16, ...) 또는 alignas(16)을 씁니다.
Cross-platform intrinsics
#include <arm_neon.h>__m256 v; /* x86 AVX — ARM에서 fail */simd-everywhere, Sleef 같은 wrapper를 쓰거나 ISA별로 분기합니다.
AoS를 그대로 둔 채 intrinsics
struct vec3 { float x, y, z; } v[N];/* x만 vld1q_f32하려면 stride load — 효율 떨어짐 */SIMD를 진지하게 쓸 때는 SoA 변환이 거의 필수입니다.
#정리
- SIMD는 4~16배 가속이 가능하지만 데이터 layout이 성능을 결정합니다.
- Auto-vectorize +
restrict+ SoA가 첫 단계입니다. - Intrinsics는 정확한 통제를 주는 대신 vendor lock-in을 만듭니다.
- OpenMP SIMD pragma는 portable한 hint입니다.
- SVE와 MVE는 predication으로 tail loop를 자동 처리합니다.
- Multiple accumulator로 ILP를 확보하면 한 배수 더 빨라집니다.
- 자동차·자율주행·이미지·오디오 코덱은 SIMD가 표준입니다.
다음 편은 ARM NEON 심화입니다.
#관련 항목
Modern Embedded Recipes · 96 of 152
- 1Modern Embedded Recipes — 모던 임베디드 실전 레시피 시리즈 소개
- 2디지털 신호 기초 — Voltage Level·Edge·Setup/Hold 분석
- 3임베디드 클럭과 타이밍 — Skew·Jitter·PLL·MMCM 분석
- 4GPIO 내부 구조 분해 — Push-Pull·Open-Drain·Schmitt Trigger
- 5UART 하드웨어 동작 분석 — Baud Rate·Framing·FIFO
- 6SPI 하드웨어 분석 — Clock Mode·MOSI/MISO·Chip Select
- 7I2C 하드웨어 분석 — Open-Drain·Clock Stretching·Arbitration
- 8ADC 동작 원리 — SAR·Sigma-Delta·Pipelined 비교
- 9DAC 동작 원리 — R-2R Ladder·Sigma-Delta·Settling Time
- 10PWM 신호 생성 분석 — Duty·Frequency·Dead Time·Center-Aligned
- 11CAN 버스 전기적 특성 — Differential·Termination·Dominant/Recessive
- 12RS-485·RS-422 차동 신호 분석 — Termination·Biasing·Topology
- 13LVDS 차동 신호 분석 — Common-Mode·Impedance·Eye Pattern
- 14ARM Cortex-M 시리즈 비교 — M0·M3·M4·M7·M33·M55 분석
- 15ARM Cortex-A 시리즈 비교 — A53·A55·A72·A78·X1 분석
- 16ARM 레지스터 구조 분석 — R0~R15·CPSR·SPSR·Banked Registers
- 17Cortex-M 예외 처리 — Vector Table·NVIC·Tail-Chaining 추적
- 18ARM 메모리 맵 분석 — Normal·Device·Strongly-Ordered Region
- 19ARM L1·L2 캐시 분석 — Set Associative·Inclusive·Maintenance
- 20ARM MPU 활용 — Region·Attribute·Privilege Separation
- 21ARM MMU 기초 분석 — Translation Table·TLB·ASID
- 22ARM TrustZone-M 기초 — Secure/Non-Secure·NSC·MPC
- 23ARM Memory Barrier 실전 — DMB·DSB·ISB·DMA·MMIO
- 24임베디드 크로스 컴파일러 분석 — GCC·Clang·Sysroot 구성
- 25C 컴파일 4단계 — Preprocess·Compile·Assemble·Link 추적
- 26ELF 파일 구조 분석 — Section·Segment·Symbol Table·DWARF
- 27링커 스크립트 기초 — SECTIONS·MEMORY·entry point
- 28링커 스크립트 고급 — Overlay·BSS·init_array·LMA/VMA
- 29임베디드 스타트업 코드 분석 — Reset_Handler·Vector Table·SystemInit
- 30C 런타임 crt0 분석 — Stack·BSS Zero·Data Copy·atexit
- 31임베디드 메모리 레이아웃 — .text·.rodata·.data·.bss·.heap·.stack
- 32임베디드 컴파일러 최적화 분석 — -O0~-O3·-Os·-LTO 비교
- 33Map 파일 분석 — Symbol·Section·Size 추적으로 코드 크기 진단
- 34Make·CMake 크로스 컴파일 — Toolchain File·Sysroot 통합
- 35임베디드 Bootloader 체인 — BootROM·SPL·U-Boot·Kernel·Secure Boot
- 36첫 bare-metal 프로그램 작성 — Linker·Startup·main의 최소 구성
- 37MMIO 레지스터 직접 접근 — volatile·Memory Map·Aliasing 분석
- 38GPIO 드라이버 직접 구현 — STM32 HAL 없이 레지스터로
- 39임베디드 클럭 설정 분석 — HSE·PLL·SYSCLK·AHB/APB 분주
- 40Cortex-M 인터럽트 핸들링 — NVIC·Priority·Vector·EXTI
- 41SysTick 타이머 활용 — 24-bit Counter·1ms Tick·delay 구현
- 42UART 드라이버 구현 — polling·interrupt·DMA 3가지 방식 비교
- 43SPI 드라이버 구현 — Master·Slave·CRC·DMA
- 44I2C 드라이버 구현 — Master·7-bit/10-bit·Clock Stretching 처리
- 45임베디드 DMA 기초 — Memory-to-Memory·Peripheral·Circular Mode
- 46저전력 모드 분석 — Sleep·Stop·Standby·Wake-up Source
- 47IWDG·WWDG 워치독 구현 — Independent vs Window 비교
- 48임베디드 Flash 프로그래밍 — Erase·Program·Read While Write
- 49DDR 초기화 실패 진단 — Timing·Calibration·Walking Bit Test
- 50PWM 출력 실전 — LED 밝기·모터 속도 제어
- 51DC 모터 제어 — H-Bridge·PWM Duty·Encoder Feedback
- 52스테퍼 모터 제어 — Full Step·Half Step·Microstepping
- 53서보 모터 제어 — PWM 1ms~2ms·Closed Loop·PID
- 54Character LCD 제어 — HD44780·4-bit Mode·Custom Char
- 55SPI OLED 제어 — SSD1306·Frame Buffer·Page 단위 갱신
- 56TFT 디스플레이 구동 — RGB565·FSMC·LTDC·DMA2D
- 57환경 센서 활용 — BME280 온습압·SHT3x·BMP180 비교
- 58IMU 센서 활용 — MPU6050·LSM6DSO·Sensor Fusion
- 59CAN 통신 구현 — bxCAN·Filter·Mailbox·CAN-FD
- 60USB Device 기초 — Descriptor·Enumeration·Endpoint·HID/CDC
- 61Ethernet MAC+PHY 통합 — RMII·lwIP·DMA Descriptor
- 62SD Card + FatFs 구현 — SPI/SDIO 모드·CSD/CID·Wear
- 63RTC 활용 — Calendar·Alarm·Wake-up Timer·Backup Domain
- 64RTOS 도입 결정 분석 — Super Loop vs RTOS 트레이드오프
- 65RTOS Task 설계 패턴 — 우선순위·스택·State Machine
- 66RTOS Scheduler 동작 분석 — Tick·Context Switch·Yield
- 67RTOS Semaphore 활용 — Binary·Counting·ISR Give
- 68RTOS Mutex 활용 — Recursive·Priority Inheritance 적용
- 69RTOS Queue 활용 — By-Value·By-Reference·Timeout 패턴
- 70RTOS Event Group 활용 — Bit Wait·Sync·Notify
- 71RTOS Software Timer 활용 — One-shot·Auto-reload·Daemon Task
- 72ISR-Safe API 설계 — Reentrant·Atomic·Defer 패턴
- 73Priority Inversion 진단·예방 — Mars Pathfinder Lesson 추적
- 74Timer Wheel 분석 — Hashed·Hierarchical·O(1) Tick
- 75RTOS 디버깅 기법 — Tracealyzer·SystemView·Stack 추적
- 76임베디드 Linux 부팅 흐름 분석 — BootROM·U-Boot·Kernel·init
- 77U-Boot 활용 — bootcmd·env·tftp·boot.scr 분석
- 78Device Tree 실전 — DTS·DTB·Overlay·Phandle 추적
- 79Device Tree Overlay 적용 — Runtime fragment·dtoverlay
- 80임베디드 커널 빌드 — defconfig·menuconfig·Image·zImage
- 81커널 모듈 기초 — init/exit·Parameter·KBuild·DKMS
- 82캐릭터 드라이버 작성 — file_operations·cdev·register_chrdev
- 83Platform 드라이버 작성 — probe·remove·of_match·DT 바인딩
- 84mmap 4가지 모드 — Anonymous·File·Shared·Huge Page
- 85epoll 실전 — LT·ET·ONESHOT·EXCLUSIVE 비교
- 86UIO·VFIO 분석 — User-Space Driver와 IOMMU 격리
- 87sysfs·configfs 활용 — kobject 기반 User 인터페이스
- 88IRQ Affinity 튜닝 — smp_affinity·isolcpus·irqbalance
- 89루트 파일시스템 구축 — Buildroot 기초·Package·Toolchain
- 90임베디드 동적 메모리 — malloc 위험·결정성·대안 분석
- 91메모리 정렬과 패딩 분석 — Natural·Strict Alignment·Trap
- 92Cache Line Alignment — alignas·Padding·SoA 적용
- 93DMA-Friendly Allocator — dma_alloc_coherent·IOMMU·Pool
- 94Zero-Copy Pipeline — DMA-BUF·sendfile·io_uring·splice
- 95NUMA Memory Topology — numactl·numa_alloc·HBM 적용
- 96SIMD 활용 분석 — Intrinsics·Auto-Vectorization·OpenMP SIMD
- 97ARM NEON 심화 — Matrix Multiply·FFT·Image Filter 적용
- 98임베디드 스택 분석 — high-water·overflow 탐지
- 99임베디드 코드 크기 최적화 — -Os·LTO·Section Garbage Collection
- 100임베디드 전력 최적화 — Sleep Mode·Clock Gating·DVFS
- 101WCET 분석 기법 — Static·Measurement·Hybrid 방법론
- 102Lock-Free Ring Buffer 구현 — SPSC·Power-of-2·Memory Order
- 103Wait-Free Signaling — Atomic Flag·Sequence·Latest-Value
- 104RCU (Read-Copy-Update) 기초 — Quiescent State·Grace Period
- 105Hazard Pointer 분석 — Lock-Free Memory Reclamation
- 106Compare-And-Swap 패턴 — Stack·Counter·Linked List 적용
- 107Atomic Operation 비용 분석 — Fence·Cache Line·Contention
- 108Spinlock vs Mutex 결정 가이드 — Context Switch·Hold Time
- 109ABA 문제 회피 — Tagged Pointer·Hazard·Generation Counter
- 110False Sharing 해결 — Cache Line Padding·SoA 적용
- 111MPMC Queue 구현 — Multi-producer Multi-consumer Lock-Free
- 112임베디드 디버깅 마인드셋 — 가설·격리·재현·이분탐색
- 113JTAG·SWD 안 붙을 때 — 핀·전압·속도·세션 진단
- 114GDB 원격 디버깅 — OpenOCD·J-Link·target remote 구성
- 115Cortex-M 하드폴트 분석 — Stacked Frame·CFSR 읽기
- 116UART 안 찍힐 때 — Bare-metal 체크리스트
- 117임베디드 부팅 실패 진단 — 단계별 Isolation
- 118인터럽트 누락·중복 진단 — Priority·Pending·Re-entry 추적
- 119메모리 오버플로우·오염 진단 — Canary·MPU·Pattern 분석
- 120타이밍·Race 진단 — Heisenbug 잡는 법
- 121통신 프로토콜 분석 — Logic Analyzer와 Protocol Decoder
- 122임베디드 로깅 시스템 설계 — 레벨·버퍼·SWO·Deferred
- 123임베디드 포스트모템 분석 — Core Dump와 Field Crash
- 124FPGA 기초 분석 — LUT·FF·BRAM·DSP 자원 구조
- 125Vivado 사용법 — Project·Constraint·Synth·Impl·Bitstream
- 126PCIe BAR 매핑 분석 — Config Space·Enumeration·MMIO 접근
- 127AXI 인터페이스 — AXI4·AXI4-Lite·AXI-Stream 비교
- 128Zynq PS-PL 통신 — GP·HP·ACP 인터페이스 선택
- 129Mailbox Protocol 분석 — Host와 Accelerator를 잇는 Doorbell
- 130Command Queue·Submission Queue — NVMe·XDMA 공통 패턴
- 131DMA Completion 메커니즘 — Interrupt·Polling·Completion Ring
- 132PCIe Streaming 분석 — BAR Type·MSI-X·Kernel Bypass
- 133Vitis HLS 분석 — Pragma·Pipeline II·Dataflow 실전 감각
- 134HLS 최적화 기법 — Pipeline·Unroll·Partition·Dataflow
- 135Vitis AI 분석 — DPU·xmodel·VART
- 136OpenCL on FPGA — Kernel·Channel·Burst Memory 분석
- 137Intel Quartus 사용법 — Platform Designer·Nios II·HLS
- 138Edge Inference 분석 — Cloud vs Edge·Latency·Privacy
- 139NPU 아키텍처 분석 — Ethos·Hexagon·Systolic Array 비교
- 140딥러닝 Quantization 분석 — PTQ·QAT·INT8·INT4·Calibration
- 141TensorRT 분석 — ONNX→Engine·FP16·INT8·DLA·Multi-Stream
- 142TFLite Micro 분석 — Op Resolver·Tensor Arena·Cortex-M
- 143ONNX Runtime 분석 — Execution Provider와 Cross-Platform 배포
- 144Edge Thermal Management — Throttling·DVFS·Fan Curve·Sustained
- 145NVIDIA Jetson 분석 — Nano·Xavier·Orin·Thor·JetPack·DLA·VPI
- 146Zero-Copy Camera Pipeline — V4L2·DMA-BUF·GPU Import·NPU 직결
- 147온디바이스 LLM 추론 — llama.cpp·GGUF·MLX·KV Cache·NPU Backend
- 148Cortex-M33 TF-M·TrustZone — Secure Firmware·PSA·MCUboot
- 149Matter·Thread 분석 — IoT 통합 표준·Commissioning·Multi-Fabric
- 150PCIe → CXL 진화 — 같은 PHY 위 cache-coherent 프로토콜 추가
- 151QEMU CXL Type 3 디바이스 에뮬레이션 — 노트북에서 CXL 개발 환경 구축
- 152Linux CXL 드라이버 분석 — cxl_pci·cxl_core·region·DAX
관련 글
ARM NEON 심화 — Matrix Multiply·FFT·Image Filter 적용
NEON 실전 사례를 matrix multiply, color conversion, box filter, Sobel, FFT, crypto로 묶어 정리합니다.
Linux CXL 드라이버 분석 — cxl_pci·cxl_core·region·DAX
Linux kernel 6.x의 CXL 서브시스템 — cxl_pci·cxl_core·cxl_mem·region·DAX 모듈의 역할과 probe 흐름.
QEMU CXL Type 3 디바이스 에뮬레이션 — 노트북에서 CXL 개발 환경 구축
QEMU 8.0+ CXL 지원 — 노트북에서 CXL Type 3 디바이스를 에뮬레이션해 드라이버·BIOS 개발 환경 만들기.