RISC-V工具链简介

简介: 本文是RISC-V知识图谱系列内容中“工具链”主题的首篇文章,主要介绍了工具链及其重要性,阐述了RISC-V工具链的现状,并对剑池系列工具链作了简单描述。

本文作者:云海


前言

最近RISC-V比较火,它的开放性和可扩展性打开了人们对可定制处理器的想象空间,因此众多半导体公司纷纷加入试水,也吸引了大规模的开发者涌入。RISC-V相关文章已经成为技术界的新生“网红”,成为开发者们的焦点。在这些文章中,“工具链”这个名词会被经常提到,但对它的介绍却寥寥无几,今天我们来揭开它的神秘面纱。


一、什么是工具链

“工具链”是英文“toolchain”的翻译,它指辅助开发者完成程序开发、调试、性能分析调优等开发优化行为的一系列工具集合。它一般包含编译器、汇编器、链接器、调试器、模拟器等基础工具,集成开发环境作为一种图形化的综合开发工具也可以被纳入其中。由于指令集和用户编程模型不同,因此每个架构都需要一套完整的、独有的工具链。


二、工具链的重要性

可能有人会提问,既然是辅助工具,那么就是个非必需品也没有那么重要。这句话一半对一半错。在计算机发展的早期,几乎没有工具链,科学家通过在程序卡片上打孔来表示不同指令的编码,计算机读取程序卡片的打孔信息执行指令流。随着制造工艺和计算机的发展,现代计算机的指令码存储于在ROM、RAM、Flash等介质中,把指令码下载到指定的存储空间需要经过复杂的控制流程,因此必须需要借助于程序下载器才能完成下载。


为了提升程序开发效率,涌现了众多的高级开发语言。目前99%以上的开发者都使用高级语言完成业务的开发,然后使用编译器把高级语言翻译成目标机器指令下载到机器中执行。因此编译器成了工具链中个必不可少的组件。另外,程序有了bug怎么办?需要调试系统辅助开发者找到程序运行出错的原因;程序性能不够怎么办?需要性能分析器辅助开发者进行性能调优。因此,对于现代计算机系统,一套稳定、完整的开发工具链是一个架构基础的基础,所有软件的运行都依赖工具链;没有工具链,CPU和硬件无法使用,开发者寸步难行。


上面是从功能完备性说明工具链的重要性,后面通过对工具链的关键指标介绍,从原理上阐述工具链已经不是单纯的辅助工具,它是影响目标架构各方面指标的关键路径。工具链的关键指标可分为高效性和易用性两个方面。高效性又包括编译高效性、调试高效性、性能分析高效等,其中编译的高效性尤为重要。


通过上文介绍,编译器是用于把高级语言翻译成目标机器指令的软件;一段高级语言会被翻译成若干条机器指令,编译器在保证功能正确的前提下,翻译出的机器指令数量和质量也非常关键,直接影响程序运行所需花费的时间和程序占用空间,即影响了处理器的性能和代码密度表现。因此,处理器性能是硬件+工具链的综合能力体现,单比较硬件频率指标没有实际意义。另外调试高效性直接影响了开发者分析解决问题效率,也是决定了处理器能否开发者接受、是否可以被广泛应用。


三、RISC-V工具链的现状

既然工具链这么重要,那么RISC-V的工具链现状如何,能否满足当前的应用需求?由于RISC-V的开放特性,加上基金会对软件生态的持续运作,吸引了大量的开发者投入到工具链的补充和完善工作上。目前从编译工具(GCC+LLVM)、调试工具到集成开发环境,在基本功能上都已经支持,但在高效性和易用性上仍需要继续加强和提升。如编译得到的程序代码大小相对ARM仍然存在不少差距;缺少性能调优工具;缺少图形化实时操作系统调试工具;开源的集成开发环境只支持简单的调试插件等,这些方面都需要工具链开发者不断地进行完善,并通过应用场景的验证和打磨。

四、剑池系列工具链

剑池系列工具链以开源工具链为基础,根据应用场景和玄铁处理器微架构高度优化的开发工具集合(见图1)。配合玄铁Turbo指令集,在XT906上相对开源版本平均有13%的性能提升,在XT910上平均有20%的性能提升。开发了基于指令Trace的性能分析工具,配合集成开发环境的图形化界面,为开发者提供快速性能profiling和优化的能力。另外,开发了两套集成开发环境,分别面向MCU应用开发和通用应用开发,降低现有工程迁移到RISC-V架构芯片上的难度。关于剑池系列工具链的每个工具,在后续的文章中会做详细介绍。

2.png

五、小结

工具链是一个体系架构的重要且不可缺失的组成部分,它是基础软件的基础。RISC-V工具链经过几年的发展,在功能上已经日渐完善;相信接下来的几年里,经过开源社区开发者和商业公司的共同努力,在编译调试高效性和易用性方面会有明显的提升,RISC-V的芯片也会被更多的开发者接受,被应用到各种场景。

相关文章
|
缓存
Autojs4.1.0实战教程---快手极速版清理缓存
Autojs4.1.0实战教程---快手极速版清理缓存
919 1
|
存储 JSON NoSQL
【MongoDB】MongoDB的数据存储格式
【4月更文挑战第1天】【MongoDB】MongoDB的数据存储格式
|
存储 人工智能 数据中心
138_绿色计算:碳排放优化 - 估算部署的碳足迹与LLM环境友好型部署最佳实践
随着大语言模型(LLM)在各个行业的广泛应用,其计算需求和环境影响正日益受到关注。根据最新研究,训练一个大型LLM模型可能产生数百吨二氧化碳当量的排放,这相当于普通家庭几十年的碳足迹。在全球气候变化和可持续发展的背景下,如何优化LLM部署的碳足迹,实现环境友好型AI应用,已成为行业面临的重要挑战。
642 2
|
存储 移动开发 数据管理
localStorage 和 sessionStorage 的相同与不同
`localStorage` 和 `sessionStorage` 是 HTML5 提供的两种 Web 存储机制,用于在用户的浏览器中存储数据。它们都采用键值对形式存储字符串数据,并遵循同源策略,容量约为 5-10 MB。两者均支持 `setItem`、`getItem` 等方法。主要区别在于存储期限和作用域:`localStorage` 数据持久化,适用于用户偏好设置等长期存储;`sessionStorage` 数据仅限当前会话,适用于表单信息等临时数据。根据需求选择合适的存储方式可提升用户体验和数据管理效率。
【图片公式识别】图片公式转Word与LaTeX文档:智能识别与转换
【图片公式识别】图片公式转Word与LaTeX文档:智能识别与转换
1260 4
|
机器学习/深度学习 并行计算 TensorFlow
GPU加速TensorFlow模型训练:从环境配置到代码实践的全方位指南,助你大幅提升深度学习应用性能,让模型训练不再等待
【8月更文挑战第31天】本文以随笔形式探讨了如何在TensorFlow中利用GPU加速模型训练,并提供了详细的实践指南。从安装支持GPU的TensorFlow版本到配置NVIDIA CUDA及cuDNN库,再到构建CNN模型并使用MNIST数据集训练,全面展示了GPU加速的重要性与实现方法。通过对比CPU与GPU上的训练效果,突显了GPU在提升训练速度方面的显著优势。最后,还介绍了如何借助TensorBoard监控训练过程,以便进一步优化模型。
2733 0
|
网络协议 物联网 Linux
你不能不知道的:无公网IP,SSH远程连接CentOS服务器【内网穿透】
你不能不知道的:无公网IP,SSH远程连接CentOS服务器【内网穿透】
2143 0
|
数据采集 数据处理 异构计算
ZYNQ(FPGA)与DSP之间SRIO通信实现
XQ6657Z35-EVM多核开发板通过SPI、EMIF16、uPP、SRIO 通信接口将DSP 与Zynq 结合在一起,组成DSP+Zynq 架构,实现了需求独特、灵活、功能强大的DSP+Zynq 高速数据采集处理系统。
ZYNQ(FPGA)与DSP之间SRIO通信实现
|
网络协议 PHP 网络虚拟化
MPLS VPN 跨域OptionB
使用跨域方式B实现两家公司的通信