课题24：Spike 仿真集成
难度：高 | 类型：参考分析 | 源文件：
scratchv/standalone/spike_sim.py状态：✅ 已完成
概述
Spike 仿真器集成将 ScratchV 编译出的 RV32IM flat binary 包装为最小 ELF32 格式，交给 Spike（RISC-V 官方黄金参考仿真器）执行，收集精确的动态指令数、I$/D$ 缓存命中率和指令热点。Spike 比 TinyFive 快 100-500 倍，是验证 ScratchV 代码正确性和性能的权威工具。
理解背景
是什么？
Spike 仿真器集成将 ScratchV 编译出的 RV32IM flat binary 包装为最小 ELF32 格式，交给 Spike（RISC-V 官方黄金参考仿真器）执行，收集精确的动态指令数、I$/D$ 缓存命中率和指令热点。
output.bin (flat binary)
│
▼
spike_sim.py ← 包装为 ELF32 + 设置栈/堆/输入输出buffer
│
▼
Spike (外部 C++ 仿真器, ~100-500 KIPS)
│
▼
spike-log-parser ← 解析提交指令日志
│
▼
动态指令数 + I$/D$ stats + PC 热点 + 指令trace
为什么？
ScratchV 内置的估算器（--estimate）是分析估算——用 CONV_INSNS_PER_MAC=12 乘以 MAC 数，速度快但不精确。TinyFive 仿真器是逐条仿真但很慢（~1 KIPS）。
Spike 是工业级 RISC-V 黄金参考模型——结果权威、速度快 100-500 倍、自带 cache 模拟和指令日志。
核心概念
ELF32 包装
ScratchV 输出是 flat binary（position-independent，无 header）。Spike 需要 ELF 格式。spike_sim.py 手工构造最小 ELF32：
ELF_BASE = 0x80000000 # RISC-V DRAM 基地址
STACK_TOP = 0x85000000 # 栈顶（80MB）
INPUT_BUF = 0x86000000 # a0 = 输入 buffer
OUTPUT_BUF = 0x87000000 # a1 = 输出 buffer
构造过程：手工编码 5 条启动指令（LUI + JAL）→ 拼接 ScratchV 代码 → 写 ELF header。
Spike Cache 配置
# I-cache: 64 组, 2 路, 32B/块
# D-cache: 128 组, 4 路, 32B/块
--ic 64:2:32 --dc 128:4:32
# I-cache: 64 组, 2 路, 32B/块
# D-cache: 128 组, 4 路, 32B/块
--ic 64:2:32 --dc 128:4:32
与 cache_model.py 使用相同的参数，确保结果可比。
收集的指标
| 指标 | 来源 | 精度 |
|---|---|---|
| 动态指令数（提交） | Spike commit log | 精确 |
| 指令分类统计 | spike-dasm + 分类器 | 精确 |
| I$ 命中率 | Spike cache stats | 精确 |
| D$ 命中率 | Spike cache stats | 精确 |
| PC 热点 | 指令 trace 聚合 | 采样 |
| 执行时间 | Spike wall time | 参考 |
理解要点
- 理解 ELF32 最小包装的原理：启动代码（5 条指令）、地址空间布局（ELF_BASE, STACK_TOP, INPUT/OUTPUT_BUF）
- 掌握 Spike 的 cache 配置参数（--ic, --dc）与 cache_model.py 的对应关系
- 能够独立运行 Spike 仿真并解读 commit log 输出
- 理解 Spike vs TinyFive vs 分析估算三种方式的精度/速度权衡
- 了解 PC 热点分析的基本方法
交付产物
- Spike 仿真运行日志（包含动态指令数、I$/D$ 命中率）
- Spike vs 分析估算的对比表（同一模型，两种方式）
- PC 热点分布图（确认 >99% 执行时间在 Conv2D 内层循环）
代码走读
最小 ELF32 构造
def build_minimal_elf32(code: bytes) -> bytes:
"""手工构造包含启动代码 + ScratchV 代码的最小 ELF32"""
# 启动代码（5 条指令）:
startup = [
rv_lui(2, 0x85000), # sp = 0x85000000（栈顶）
rv_lui(10, 0x86000), # a0 = input buffer
rv_lui(11, 0x87000), # a1 = output buffer
rv_jal(0, 5 * 4), # 跳转到 ScratchV 代码（跳过启动）
rv_ecall(), # 程序退出
]
payload = encode_instructions(startup) + code
# 构造 ELF header + program header + section headers
return build_elf(payload, entry=ELF_BASE, load_addr=ELF_BASE)
Spike 调用
def run_spike(elf_path, max_instr, ic_config, dc_config):
cmd = [
SPIKE,
f"--ic={ic_config}",
f"--dc={dc_config}",
f"-m{max_instr}",
"--log-commits",
"--log-cache",
elf_path,
]
result = subprocess.run(cmd, capture_output=True, text=True, timeout=300)
return parse_spike_output(result.stdout, result.stderr)
动手练习
练习 1: 对比 Spike vs 估算
- Spike 仿真运行日志（包含动态指令数、I$/D$ 命中率）
- Spike vs 分析估算的对比表（同一模型，两种方式）
- PC 热点分布图（确认 >99% 执行时间在 Conv2D 内层循环）
代码走读
最小 ELF32 构造
def build_minimal_elf32(code: bytes) -> bytes:
"""手工构造包含启动代码 + ScratchV 代码的最小 ELF32"""
# 启动代码（5 条指令）:
startup = [
rv_lui(2, 0x85000), # sp = 0x85000000（栈顶）
rv_lui(10, 0x86000), # a0 = input buffer
rv_lui(11, 0x87000), # a1 = output buffer
rv_jal(0, 5 * 4), # 跳转到 ScratchV 代码（跳过启动）
rv_ecall(), # 程序退出
]
payload = encode_instructions(startup) + code
# 构造 ELF header + program header + section headers
return build_elf(payload, entry=ELF_BASE, load_addr=ELF_BASE)
Spike 调用
def run_spike(elf_path, max_instr, ic_config, dc_config):
cmd = [
SPIKE,
f"--ic={ic_config}",
f"--dc={dc_config}",
f"-m{max_instr}",
"--log-commits",
"--log-cache",
elf_path,
]
result = subprocess.run(cmd, capture_output=True, text=True, timeout=300)
return parse_spike_output(result.stdout, result.stderr)
动手练习
练习 1: 对比 Spike vs 估算
def build_minimal_elf32(code: bytes) -> bytes:
"""手工构造包含启动代码 + ScratchV 代码的最小 ELF32"""
# 启动代码（5 条指令）:
startup = [
rv_lui(2, 0x85000), # sp = 0x85000000（栈顶）
rv_lui(10, 0x86000), # a0 = input buffer
rv_lui(11, 0x87000), # a1 = output buffer
rv_jal(0, 5 * 4), # 跳转到 ScratchV 代码（跳过启动）
rv_ecall(), # 程序退出
]
payload = encode_instructions(startup) + code
# 构造 ELF header + program header + section headers
return build_elf(payload, entry=ELF_BASE, load_addr=ELF_BASE)
Spike 调用
def run_spike(elf_path, max_instr, ic_config, dc_config):
cmd = [
SPIKE,
f"--ic={ic_config}",
f"--dc={dc_config}",
f"-m{max_instr}",
"--log-commits",
"--log-cache",
elf_path,
]
result = subprocess.run(cmd, capture_output=True, text=True, timeout=300)
return parse_spike_output(result.stdout, result.stderr)
动手练习
练习 1: 对比 Spike vs 估算
def run_spike(elf_path, max_instr, ic_config, dc_config):
cmd = [
SPIKE,
f"--ic={ic_config}",
f"--dc={dc_config}",
f"-m{max_instr}",
"--log-commits",
"--log-cache",
elf_path,
]
result = subprocess.run(cmd, capture_output=True, text=True, timeout=300)
return parse_spike_output(result.stdout, result.stderr)
练习 1: 对比 Spike vs 估算
对同一个 CNN 模型，分别用 --estimate（分析估算）和 Spike 仿真（真实执行）统计动态指令数，对比差异。
练习 2: 调整 cache 参数
把 D-cache 从 128:4:32 改为 256:8:64，重新仿真，观察命中率变化。
练习 3: 分析 PC 热点
从 Spike 的指令 trace 中提取 PC 热点，确认 >99% 执行时间确实在 Conv2D 最内层循环。
常见坑
| 坑 | 说明 |
|---|---|
| Spike 二进制路径 | 需要自己编译 Spike RV32 版本，当前硬编码路径需要确认存在 |
| 内存限制 | Spike 默认内存模型可能不够大，CNN 模型需要 -m512（512MB） |
| 执行时间 | 全量 CNN（32 亿指令）在 Spike 上可能跑数小时，用 --max-instr 限制 |
| ELF 兼容性 | 最小 ELF32 只包含必要 header，某些 Spike 版本可能要求更完整的 ELF |
进阶阅读
- Spike RISC-V ISA Simulator
- ELF 格式规范:
man 5 elf
- 相关 topic: 课题23 — Cache 模型 | 课题19 — Standalone RISC-V
自学路线
- 第 1 周：安装并编译 Spike RV32 版本。阅读
spike_sim.py 源码，理解 ELF32 包装流程（启动代码 → 拼接 payload → ELF header）。画出地址空间布局图。
- 第 2 周：编译一个简单的 CNN 模型，分别用分析估算和 Spike 仿真统计动态指令数。对比差异并分析原因（估算公式的假设是否准确？）。
- 第 3 周：使用 Spike 的
--log-commits 和 --log-cache 功能，提取指令 trace 和 cache 统计。用 PC 热点分析确认执行时间分布。
- 第 4 周：尝试将 Spike 仿真集成到 CI 流程中（替代或补充 TinyFive）。设计 timeout 和 fallback 策略（Spike 可能不可用）。
man 5 elf- 第 1 周：安装并编译 Spike RV32 版本。阅读
spike_sim.py源码，理解 ELF32 包装流程（启动代码 → 拼接 payload → ELF header）。画出地址空间布局图。 - 第 2 周：编译一个简单的 CNN 模型，分别用分析估算和 Spike 仿真统计动态指令数。对比差异并分析原因（估算公式的假设是否准确？）。
- 第 3 周：使用 Spike 的
--log-commits和--log-cache功能，提取指令 trace 和 cache 统计。用 PC 热点分析确认执行时间分布。 - 第 4 周：尝试将 Spike 仿真集成到 CI 流程中（替代或补充 TinyFive）。设计 timeout 和 fallback 策略（Spike 可能不可用）。