Web 图形与 3D / 系统课时

使用时间戳查询分析 GPU 耗时

使用时间戳查询分析 GPU 耗时

当 WebGPU 粒子模拟出现掉帧时,单看 JavaScript 的执行时间往往无法判断 GPU 是否繁忙。本篇用可选的 timestamp-query 记录计算 Pass 的起止时间,将 GPU 毫秒数与 CPU 编码、提交和等待时间分开,得到可以复测的性能数据。

学习目标

  • 检测并启用 timestamp-query,在不支持时正常回退。
  • 为计算 Pass 写入两个时间戳,解析查询结果为毫秒。
  • 对照 GPU 与 CPU 指标,找出需要优先优化的阶段。

确认设备支持时间戳查询

在 HTTPS 或 http://localhost 页面打开浏览器开发者工具的 Console。先检查 navigator.gpu 和 navigator.gpu.requestAdapter(),再读取 adapter.features.has("timestamp-query")。这是可选特性:只有适配器支持时,才能在 requestDevice({ requiredFeatures: ["timestamp-query"] }) 中启用;否则应继续执行普通 GPU 计算,只记录 CPU 侧指标。

performance.now() 测量的是浏览器线程经过的时间。queue.submit() 通常只提交命令,不等待 GPU 执行结束,因此仅围绕 submit() 计时不能当作着色器运行时间。以下示例使用 queue.onSubmittedWorkDone() 作为另一个 CPU 侧观察点,但它也包含队列与异步调度的影响。

认识查询、解析与读回链路

每个被测 Pass 需要两个查询索引:0 写入开始时间,1 写入结束时间。查询结果解析为两个 64 位无符号纳秒时间戳,合计 16 字节。结束 Pass 后必须先用 resolveQuerySet() 写入具有 QUERY_RESOLVE | COPY_SRC 用途的缓冲,再复制到 COPY_DST | MAP_READ 缓冲,最后才能 mapAsync(GPUMapMode.READ)。

计算 Pass 时间戳写入、查询解析与 CPU 读回的数据流

resolveQuerySet() 的目标偏移必须是 256 字节的整数倍,本例采用偏移 0;两个查询各占 8 字节,因此解析、复制和读回长度都是 16。读出后先对 BigInt 时间戳做差,再用 Number(end - start) / 1e6 换算毫秒,避免先把大整数时间戳转换为浮点数而丢失精度。

运行一次完整的计算 Pass 测量

在支持 WebGPU 的安全上下文页面 Console 中运行以下 JavaScript。示例创建 65,536 个元素,启动 1,024 个、每组 64 个调用的计算工作组。timestampWrites 只围住计算 Pass;查询解析、缓冲复制都放在 Pass 之后。代码还读回一个计算值,验证 GPU 确实写入了数据。

js
(async () => {
  if (!navigator.gpu) {
    console.warn("当前页面不支持 WebGPU");
    return;
  }
  const adapter = await navigator.gpu.requestAdapter();
  if (!adapter) {
    console.warn("没有可用的 GPU 适配器");
    return;
  }

  const hasTimestamp = adapter.features.has("timestamp-query");
  const device = await adapter.requestDevice({
    requiredFeatures: hasTimestamp ? ["timestamp-query"] : [],
  });

  const count = 65536;
  const module = device.createShaderModule({
    code: `
      @group(0) @binding(0) var<storage, read_write> values: array<f32>;

      @compute @workgroup_size(64)
      fn main(@builtin(global_invocation_id) id: vec3<u32>) {
        if (id.x >= 65536u) { return; }
        var x = f32(id.x) / 65536.0;
        for (var i = 0u; i < 256u; i = i + 1u) {
          x = x * 1.00001 + 0.0001;
        }
        values[id.x] = x;
      }
    `,
  });
  const pipeline = device.createComputePipeline({
    layout: "auto",
    compute: { module, entryPoint: "main" },
  });
  const data = device.createBuffer({
    size: count * 4,
    usage: GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_SRC,
  });
  const sampleRead = device.createBuffer({
    size: 4,
    usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ,
  });
  const bindGroup = device.createBindGroup({
    layout: pipeline.getBindGroupLayout(0),
    entries: [{ binding: 0, resource: { buffer: data } }],
  });

  // 时间戳是可选路径;不支持时仍派发相同的计算任务。
  const querySet = hasTimestamp
    ? device.createQuerySet({ type: "timestamp", count: 2 })
    : null;
  const resolveBuffer = hasTimestamp
    ? device.createBuffer({
        size: 16,
        usage: GPUBufferUsage.QUERY_RESOLVE | GPUBufferUsage.COPY_SRC,
      })
    : null;
  const timestampRead = hasTimestamp
    ? device.createBuffer({
        size: 16,
        usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ,
      })
    : null;

  const cpuStart = performance.now();
  const encoder = device.createCommandEncoder();
  // Pass 边界的两个 GPU 时间戳,不计入后续的读回复制。
  const pass = encoder.beginComputePass(
    hasTimestamp
      ? { timestampWrites: {
          querySet,
          beginningOfPassWriteIndex: 0,
          endOfPassWriteIndex: 1,
        } }
      : {}
  );
  pass.setPipeline(pipeline);
  pass.setBindGroup(0, bindGroup);
  pass.dispatchWorkgroups(count / 64);
  pass.end();

  if (hasTimestamp) {
    encoder.resolveQuerySet(querySet, 0, 2, resolveBuffer, 0);
    encoder.copyBufferToBuffer(resolveBuffer, 0, timestampRead, 0, 16);
  }
  encoder.copyBufferToBuffer(data, 0, sampleRead, 0, 4);
  device.queue.submit([encoder.finish()]);
  const cpuSubmitted = performance.now();
  await device.queue.onSubmittedWorkDone();
  const cpuDone = performance.now();

  console.log("timestamp-query:", hasTimestamp ? "支持" : "不支持(仅 CPU)");
  console.log(`CPU 编码与提交: ${(cpuSubmitted - cpuStart).toFixed(3)} ms`);
  console.log(`CPU 提交至队列完成: ${(cpuDone - cpuSubmitted).toFixed(3)} ms`);

  if (hasTimestamp) {
    await timestampRead.mapAsync(GPUMapMode.READ);
    const stamps = new BigUint64Array(timestampRead.getMappedRange());
    // 先用 BigInt 做差,再换算为浮点毫秒数。
    const elapsedNs = stamps[1] - stamps[0];
    console.log(elapsedNs > 0n
      ? `GPU 计算 Pass: ${(Number(elapsedNs) / 1e6).toFixed(3)} ms`
      : "GPU 时间戳差值为 0,请重测");
    timestampRead.unmap();
  }

  await sampleRead.mapAsync(GPUMapMode.READ);
  const sample = new Float32Array(sampleRead.getMappedRange())[0];
  console.log("计算结果校验:",
    Number.isFinite(sample) && sample > 0 ? "通过" : "失败");
  sampleRead.unmap();

  querySet?.destroy();
  resolveBuffer?.destroy();
  timestampRead?.destroy();
  sampleRead.destroy();
  data.destroy();
  device.destroy();
})().catch(console.error);

预期输出(时间是动态值,<TIME> 会随设备、浏览器和负载改变):

text
timestamp-query: 支持
CPU 编码与提交: <TIME> ms
CPU 提交至队列完成: <TIME> ms
GPU 计算 Pass: <TIME> ms
计算结果校验: 通过

未获得 timestamp-query 特性时,首行显示 不支持(仅 CPU),并且不会输出 GPU 计算 Pass。若 GPU 时间戳差值为 0,程序改为提示重测,不把 0 ms 当作真实执行成本。

对照指标判断瓶颈

指标 包含的工作 不应如何解读
CPU 编码与提交 JavaScript 编码命令并调用 submit() 不是 GPU 着色器耗时
CPU 提交至队列完成 提交后等待队列已提交工作完成,包含本例的复制命令与异步调度 不是纯 GPU 计算耗时
GPU 计算 Pass timestampWrites 两个边界之间的 GPU 时间 不包含 Pass 外查询解析、复制或 CPU 读回

例如,一次测得 CPU 编码提交 0.8 ms、CPU 提交至完成 10.2 ms、GPU 计算 Pass 7.5 ms,说明这次采样的计算 Pass 值得优先分析。若 GPU Pass 只有 0.5 ms,而 CPU 编码耗时 8 ms,应先检查 CPU 循环、频繁创建管线和命令组织。三种指标存在重叠或额外开销,不能简单相加当作整帧时间。

复测与排除误判

先用相同分辨率、派发数量和工作负载预热约 20 次,再采集 50 次,查看中位数及高位耗时;比较优化前后时保持浏览器、显卡、电源模式一致。对于 60 Hz 画面,整帧目标约 16.67 ms,但单个计算 Pass 的 GPU 时间不能代表整帧 CPU、渲染和呈现成本。

若出现校验错误,按顺序检查:设备是否请求了 timestamp-query;querySet 类型是否为 timestamp 且索引 0、1 有效;解析缓冲是否具备 QUERY_RESOLVE、起始偏移是否按 256 字节对齐;读回缓冲是否具备 MAP_READ | COPY_DST;mapAsync() 是否在提交后执行。生产环境可延迟数帧回收读回缓冲,避免每帧同步等待查询结果;仅在需要性能采样时启用 GPU 查询。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用时间戳查询分析 GPU 耗时

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通