Memcpy bandwidth ~ 1.6x mais rápido em 1 vs 2 socket Intel Scalable (Skylake)?

Question

Estou no processo de portar um aplicativo orientado a desempenho complexo para rodar em uma nova máquina com dois soquetes. Eu encontrei algumas anomalias de desempenho ao fazê-lo e, depois de muita experimentação, descobri que a largura de banda da memória na nova máquina parece ser substancialmente mais lenta do que eu esperava.

A máquina usa uma placa-mãe Supermicro X11DGQ com 2 X Processadores Intel Xeon Gold 6148 e 6 x 32 GB DDR4-2133 RAM (total de 192 GB). O sistema está executando o Ubuntu 16.04.4 com o kernel 4.13.

Eu escrevi um utilitário de teste de memória simples que executa repetidamente e gera um memcpy para determinar uma duração e taxa médias:

#include <algorithm>
#include <chrono>
#include <cstring>
#include <iomanip>
#include <iostream>

#include <unistd.h>

const uint64_t MB_SCALER = 1024 * 1024L;

// g++ -std=c++11 -O3 -march=native -o mem_test mem_test.cc
int main(int argc, char** argv)
{
    uint64_t buffer_size = 64 * MB_SCALER;
    uint32_t num_loops = 100;

    std::cout << "Memory Tester\n" << std::endl;

    if (argc < 2)
    {
        std::cout << "Using default values.\n" << std::endl;
    }

    // Parse buffer size
    if (argc >= 2)
    {
        buffer_size = std::strtoul(argv[1], nullptr, 10) * MB_SCALER;
    }

    // Parse num loops 
    if (argc >= 3)
    {
        num_loops = std::strtoul(argv[2], nullptr, 10);
    }

    std::cout << "    Num loops:   " << num_loops << std::endl;
    std::cout << "    Buffer size: " << (buffer_size / MB_SCALER) << " MB" 
              << std::endl;

    // Allocate buffers
    char* buffer1 = nullptr;
    posix_memalign((void**)&buffer1, getpagesize(), buffer_size);
    std::memset(buffer1, 0x5A, buffer_size);

    char* buffer2 = nullptr;
    posix_memalign((void**)&buffer2, getpagesize(), buffer_size);
    std::memset(buffer2, 0xC3, buffer_size);

    // Loop and copy memory, measuring duration each time
    double average_duration = 0;    
    for (uint32_t loop_idx = 0; loop_idx < num_loops; ++loop_idx)
    {    
        auto iter_start = std::chrono::system_clock::now();

        std::memcpy(buffer2, buffer1, buffer_size);

        auto iter_end = std::chrono::system_clock::now();

        // Calculate and accumulate duration
        auto diff = iter_end - iter_start;
        auto duration = std::chrono::duration<double, std::milli>(diff).count();
        average_duration += duration;
    }

    // Calculate and display average duration
    average_duration /= num_loops;
    std::cout << "    Duration:    " << std::setprecision(4) << std::fixed 
              << average_duration << " ms" << std::endl;

    // Calculate and display rate
    double rate = (buffer_size /  MB_SCALER) / (average_duration / 1000);
    std::cout << "    Rate:        " << std::setprecision(2) << std::fixed 
              << rate << " MB/s" << std::endl;

    std::free(buffer1);
    std::free(buffer2);
}

Eu então compilei e executei esse utilitário usando um tamanho de buffer de 64 MB (significativamente maior que o tamanho do cache L3) em 10.000 loops.

Configuração de soquete duplo:

$ ./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    17.9141 ms
    Rate:        3572.61 MB/s

Configuração de soquete único:

(mesmo hardware com um processador removido fisicamente)

#./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    11.2055 ms
    Rate:        5711.46 MB/s

Soquete duplo usando numactl:

A pedido de um colega, tentei executar o mesmo utilitário usando numactl para localizar o acesso à memória apenas ao primeiro nó numa.

$ numactl -m 0 -N 0 ./mem_test 64 10000
Memory Tester

    Num loops:   10000
    Buffer size: 64 MB
    Duration:    18.3539 ms
    Rate:        3486.99 MB/s

Resultados

5711.43 / 3572.61 = 1.59867

O mesmo teste exato em ambas as configurações mostra que a configuração de soquete único é ~ 60% mais rápida.

Eu encontrei esta pergunta que é um pouco semelhante, mas muito mais detalhado. De um dos comentários: "Preencher um segundo soquete força até mesmo o L3 local a perder a CPU remota ...".

Eu entendo o conceito de snooping L3, mas ainda assim a sobrecarga comparada ao case de soquete único parece incrivelmente alta para mim. O comportamento que estou vendo é esperado? Alguém poderia esclarecer mais sobre o que está acontecendo e o que, se é que posso fazer alguma coisa sobre isso?