کالبدشکافی پیش‌بینی پرش (Branch Prediction): پردازنده شما واقعاً چگونه آینده را حدس می‌زند؟

پردازنده‌های مدرن با سرعتی سرسام‌آور کار می‌کنند و میلیاردها دستورالعمل را در ثانیه انجام می‌دهند. برای رسیدن به این سرعت، آن‌ها از تکنیکی به نام «خط لوله» (Pipelining) استفاده می‌کنند؛ چیزی شبیه به خط مونتاژ یک کارخانه. در حالی که یک دستورالعمل در حال اجراست، دستورالعمل بعدی در حال رمزگشایی است و دستورالعمل پس از آن از حافظه فراخوانی می‌شود. این کار باعث می‌شود پردازنده هرگز بیکار نماند و جریان داده‌ها پیوسته در حرکت باشد.[1]

اما این خط مونتاژ بی‌نقص، یک دشمن طبیعی دارد: دستورات شرطی (Branches). هر بار که برنامه به یک دستور شرطی یا یک حلقه تکرار می‌رسد، پردازنده با یک دوراهی مواجه می‌شود. آیا شرط برقرار است و باید مسیر اول را برود، یا برقرار نیست و باید مسیر دوم را طی کند؟ مشکل اینجاست که نتیجه این شرط تا چند مرحله جلوتر در خط لوله مشخص نخواهد شد.[1]

اگر پردازنده بخواهد صادقانه رفتار کند، باید خط مونتاژ را متوقف کند و منتظر بماند تا محاسبه شرط تمام شود. در پردازنده‌های چند گیگاهرتزی امروزی که خطوط لوله طولانی (گاهی تا ۲۰ مرحله) دارند، این توقف به معنای فاجعه است. اگر پردازنده برای هر شرط متوقف شود، بخش عمده‌ای از توان پردازشی آن به هدر می‌رود و کامپیوتر شما به شدت کند احساس می‌شود.[1]

اینجاست که مهندسان سخت‌افزار تصمیم گرفتند به جای صبر کردن، آینده را حدس بزنند. این تکنیک که «پیش‌بینی پرش» (Branch Prediction) نامیده می‌شود، به پردازنده اجازه می‌دهد بر اساس شواهد گذشته، مسیر محتمل‌تر را انتخاب کرده و دستورات آن مسیر را پیشاپیش وارد خط لوله کند. به این کار «اجرای گمانه‌زنانه» (Speculative Execution) می‌گویند.[2]

اگر پردازنده درست حدس زده باشد، خط مونتاژ بدون هیچ وقفه‌ای به کار خود ادامه می‌دهد و سرعت به حداکثر می‌رسد. اما اگر اشتباه حدس بزند، باید تمام کارهایی که در مسیر اشتباه انجام داده را دور بریزد، جریمه زمانی آن (معمولاً ۱۰ تا ۲۰ چرخه ساعت) را بپردازد و مسیر درست را از نو شروع کند. بنابراین، دقت این پیش‌بینی‌کننده مستقیماً روی سرعت نهایی کامپیوتر تاثیر می‌گذارد.[1][2]

در روزهای ابتدایی معماری کامپیوتر، پیش‌بینی‌ها بسیار ساده و ایستا بودند. مثلاً پردازنده همیشه فرض می‌کرد که پرش‌های رو به عقب (مثل برگشتن به ابتدای یک حلقه) انجام می‌شوند و پرش‌های رو به جلو انجام نمی‌شوند. اما برنامه‌های پیچیده امروزی به چیزی بسیار هوشمندتر نیاز داشتند تا بتوانند الگوهای رفتاری نرم‌افزارها را درک کنند.[1]

نسل بعدی، پیش‌بینی‌کننده‌های پویا بودند که از تاریخچه استفاده می‌کردند. پردازنده یک جدول کوچک به نام «بافر هدف پرش» (BTB) ساخت که آدرس پرش‌ها و یک شمارنده ساده را در خود نگه می‌داشت. اگر یک شرط در گذشته چند بار متوالی برقرار شده بود، پردازنده فرض می‌کرد باز هم برقرار خواهد بود. این روش برای سال‌ها به خوبی کار می‌کرد.[1]

اما با پیچیده‌تر شدن نرم‌افزارها، حتی این روش هم کافی نبود. گاهی اوقات نتیجه یک شرط به نتیجه شروط قبلی بستگی دارد. در سال ۲۰۰۱، پژوهشگری به نام دانیل خیمنز ایده انقلابی «پیش‌بینی‌کننده پرسپترون» را مطرح کرد: استفاده از شبکه‌های عصبی واقعی در درون سخت‌افزار پردازنده برای یادگیری الگوهای پرش.[1]

این ایده در ابتدا علمی-تخیلی به نظر می‌رسید، اما به سرعت راه خود را به پردازنده‌های تجاری باز کرد. امروزه پردازنده‌های AMD (از معماری Piledriver تا سری Ryzen) و پردازنده‌های اینتل و سامسونگ اگزینوس، همگی از شبکه‌های عصبی سخت‌افزاری برای پیش‌بینی پرش استفاده می‌کنند. وقتی شرکت‌هایی مثل AMD از عبارت بازاریابی شبکه‌های عصبی در فناوری‌های خود صحبت می‌کنند، دقیقاً به همین مکانیسم اشاره دارند.[1]

البته باید مراقب فریب‌های بازاریابی باشیم. این «هوش مصنوعی» درون پردازنده شما، چیزی شبیه به چت‌بات‌های امروزی یا شبکه‌های عصبی عمیق نیست. پرسپترون‌ها ساده‌ترین نوع شبکه‌های عصبی هستند. آن‌ها از یک رجیستر تاریخچه جهانی و مجموعه‌ای از وزن‌ها (اعداد صحیح ذخیره شده در حافظه سریع) تشکیل شده‌اند.[1]

نحوه کار آن‌ها به طرز شگفت‌انگیزی سریع است: پردازنده در یک چرخه ساعت، تاریخچه پرش‌های قبلی را با وزن‌های اختصاص‌یافته ضرب و جمع می‌کند. اگر نتیجه نهایی مثبت باشد، پیش‌بینی می‌کند که پرش انجام می‌شود و اگر منفی باشد، می‌گوید انجام نمی‌شود. اگر پیش‌بینی اشتباه از آب دربیاید، پردازنده بلافاصله وزن‌ها را تنظیم می‌کند تا دفعه بعد اشتباه نکند.[1]

این یادگیری ماشینی در سطح سخت‌افزار، دقت پیش‌بینی را در پردازنده‌های مدرن به بالای ۹۵ درصد رسانده است. این یعنی از هر ۱۰۰ دوراهی، پردازنده شما ۹۵ بار آینده را به درستی می‌بیند. همین ۵ درصد خطای باقی‌مانده است که تفاوت عملکرد بین نسل‌های مختلف پردازنده‌ها را رقم می‌زند.[1]

با این حال، این توانایی شگفت‌انگیز در حدس زدن آینده، یک نقطه ضعف تاریک هم دارد. در سال ۲۰۱۸، پژوهشگران امنیتی کشف کردند که اجرای گمانه‌زنانه می‌تواند باعث نشت اطلاعات شود. آسیب‌پذیری‌های معروفی مثل Spectre و Meltdown دقیقاً از همین نقطه سوءاستفاده کردند.[2][3]

وقتی پردازنده یک مسیر اشتباه را حدس می‌زند و بعداً آن را دور می‌ریزد، ردپای ضعیفی از داده‌هایی که به آن‌ها دسترسی پیدا کرده در حافظه پنهان (Cache) باقی می‌ماند. هکرها می‌توانند با فریب دادن پیش‌بینی‌کننده پرش، پردازنده را مجبور کنند تا رمزهای عبور را به صورت گمانه‌زنانه بخواند و سپس از طریق بررسی تغییرات حافظه پنهان، آن رمزها را استخراج کنند.[3]

در نهایت، پیش‌بینی پرش یکی از زیباترین مصالحه‌ها در علوم کامپیوتر است. ما برای داشتن کامپیوترهایی که بتوانند بازی‌های سنگین را اجرا کنند و نرم‌افزارهای پیچیده را در کسری از ثانیه پردازش کنند، به پردازنده‌هایی نیاز داریم که دائماً در حال قمار کردن روی آینده باشند. قماری که به لطف شبکه‌های عصبی مینیاتوری، تقریباً همیشه برنده است.[4]