详解CPU漏洞对机器学习的影响：几乎所有卷积层都受影响，QR分解降速37%

2018新年伊始，互联网公司发现了两个非常严重的新漏洞。这两个漏洞分别是熔毁（Meltdown）和幽灵（Spectre），它们主要会影响几大处理器供应商。

这些漏洞会使攻击者利用处理器在推测性执行时产生的错误，读取（并潜在地执行）其各自进程之外的存储器位置。这意味着，攻击者可以读取其他软件存储器中的敏感数据。

如果在Linux内核中打一个叫做KAISER（也称为KPTI）或PTI（页表隔离）的补丁，可以有效地解决了利用了Meltdown的攻击。但是，这个补丁会对Linux的性能造成很大的影响。据报告显示，CPU性能下降的范围是5％到35％，另有一些综合的评测标准显示，CPU的性能下降幅度甚至超过了50％。

（报告地址：https://www.phoronix.com/scan.php?page=article&item=linux-415-x86pti&num=2）

然而，PTI的性能问题在很大程度上取决于每个人手头需要执行的任务。换句话说，这种性能的大幅度下降可能仅仅出现在FSMark等综合的基准测试中。

所以问题来了：在机器学习的应用程序中，我们会看到什么样的性能？

环境部署

为了比较在使用和不使用PTI时，机器学习应用程序的性能变化，我部署了一个新的带intel微码（也称为微指令）的机器。该机器装有Ubuntu 16.04版本的操作系统。

我还比较了Ubuntu 16.04（4.10.0-42-generic版本）上自动安装的最新内核与最新的主线内核版本（4.15.0-041500rc6-generic版本），这个版本的Linux带有PTI补丁。

我采用的工具是基于Python 3.6（带有用pip下载的额外软件包）的Anaconda，由它来执行整个测试。

我用于测试的机子配置包括英特尔酷睿i7-5820K（Haswell-E，stock clocks）和64GB DDR4 @ 2400MHz。

值得注意的是，AMD的处理器没有启用PTI补丁，因为它们不受Meltdown攻击的影响——所以如果你使用的是AMD处理器，性能将不会受到任何影响。

测试结果

请注意，图表上的比例是从60％开始的

首先，我们可以看到几乎所有的程序性能都有轻微的下降，不过在卷积层模型的推理过程中下降的速度非常快。尤其是AlexNet，它的推理速度比正常的慢了大约5％，但反向传播速度几乎是相同的——这就是为什么对训练造成的影响大约只是推理的一半。

就Keras的原始操作而言，全连接和LSTM层几乎没有受到任何的性能影响，但卷积层却减少了10％左右。

对于AlexNet和MNIST的基准测试，我使用了TensorFlow教程的模型。而对于Keras，我则使用了一个只有几层卷积并可以随机初始化的模型。我还计算了其在随机数据上的推理速度。

值得注意的是，这些基准测试都仅使用了CPU来运行。

我在这里使用了Scikit-learn工具包来衡量“传统”机器学习和数据科学算法的性能。

我们看到，与神经网络相比，操作系统带来的性能下降更大，且PCA和线性/逻辑回归受到的影响最严重。造成这种下降的原因可能是由于某些数学受到了非常严重的影响——正如下面针对NumPy的基准结果所讨论的那样。

有趣的是，K最近邻算法完全没有受到PTI的影响，而且目测在新的内核上表现的还稍好一些。这有可能只是在性能测试错误的范围之内，但也有可能是其他一些内核的改进，稍微帮助提高了该算法的速度。

我还从内存里缓存的文件中提取了一个pandas.read_csv（）函数的基准，用于查看带PTI的系统对CSV解析的速度降低了多少——输入博世（Bosch）Kaggle竞赛数据集（大小2GB，1M行，1K列，类型是浮点数， 80％缺失），带来了6%左右的读取性能下降。

所有的Scikit-learn工具包基准也是在博世数据集上进行计算的。我发现，普遍来讲，它对于进行机器学习算法基准测试，效果是很好的，因为这是一个庞大的，标准化的且格式良好的数据集（尽管因为采用完整的数据会花费太久的时间，kNN和K-means算法是在一个子集上进行计算的）。



这些基准在这里可能是最综合的了，因为仅测试了单一的scipy操作的速度。然而，这些结果告诉我们，PTI带来的性能损失是与任务依赖有极大联系的。在这里我们可以看到，大多数的操作受到的影响都很小，包括点积和FFT（快速傅里叶变换）操作，其对性能的影响也很小。

当PTI启用时，SVD（奇异值分解），LU分解和QR（正交三角）分解性能都会受到大幅度的影响。QR分解从190GFLOPS降低到110GFLOPS，降低了37％的性能。这可能有助于解释为什么PCA（主要依赖于SVD）和线性回归（主要依赖于QR分解）的性能会下降。

这些基准测试是使用英特尔自己的ibench软件包完成的，只是使用了Anaconda而不是英特尔的python发行版。



对XGBoost算法进行测试时，我得到了一些有趣的结果。

在大多数情况下，使用较少的线程数时，无论使用慢速精确的方法还是快速直方图方法，PTI带给XGBoost的性能影响都可以忽略不计。

但是，当使用非常多的线程时，也就是CPU同时处理更多的任务时，使用PTI系统会带来速度的下降。

这并不是XGBoost在大量线程内核上执行的完美表示（因为它是在12个逻辑内核上运行了40个线程）。不过，它也能表明，带PTI的系统在CPU同时处理很多事情时，会带来更大的性能影响。不幸的是，我不能访问任何的可以修改内核的高内核数量的服务器，所以我不能得到一个更深入的结果。

与测试scikit-learn一样，这些基准测试是在博世（Bosch）数据集上进行的。

结论

最重要的结论是，PTI带来的性能影响其实是非常依赖于任务的——一些任务不受影响，而有些任务的性能却下降了40％。不过就总体而言，我认为这种影响比我预期的要小，因为只是一些应用程序受到了严重的影响。