VK_KHR_shader_clock と clockRealtimeEXT でシェーダー内部をプロファイリングする方法

タイムスタンプクエリはコマンドバッファ側からパスを挟み込む。シェーダー内部のどの分岐が時間を消費したかは分からない。 VK_KHR_shader_clock は読み取り可能なクロックをシェーダーの内部に置く。各呼び出しが「今のサイクル数はいくつか」を問い合わせ、サンプルの差分を取れる。VK_EXT_shader_realtime_clock と組み合わせれば、安定した GPU サイクルカウンタとナノ秒のウォールクロックの両方が得られる。

2つのクロック

clocks.frag

#extension GL_EXT_shader_realtime_clock : require
#extension GL_ARB_shader_clock          : require  // デバイスサイクル

uint64_t c0 = clockARB();        // デバイス依存の単位（GPU サイクル）
// … 計測したいコード …
uint64_t c1 = clockARB();
uint64_t cycles = c1 - c0;       // 呼び出しごとのサイクル差分

// ウォールクロック版（GL_EXT_shader_realtime_clock）：
uint64_t t0 = clockRealtimeEXT();   // あるエポックからの ns
uint64_t t1 = clockRealtimeEXT();

clockARB はサイクルだ。値は GPU クロックのスロットリングに応じて変化するが、呼び出しごとには単調増加する。clockRealtimeEXT はナノ秒だ。ホストの clock_gettime と同じエポックなので、GPU↔CPU の相関が取れる。

設定方法

enable.cpp

// VK_KHR_shader_clock — デバイス/サブグループのサイクルカウンタ：
VkPhysicalDeviceShaderClockFeaturesKHR sc{};
sc.shaderDeviceClock   = VK_TRUE; // clockARB — デバイスサイクル
sc.shaderSubgroupClock = VK_TRUE; // *warp 同期*されたクロック —
                                  // 全レーンが同じ値を読む

// VK_EXT_shader_realtime_clock — ナノ秒のウォールクロック：
VkPhysicalDeviceShaderRealtimeClockFeaturesEXT rc{};
rc.shaderRealtimeClock = VK_TRUE; // clockRealtimeEXT — ns
// … 両方ともデバイスの pNext にチェインする …

パターン

profile.frag

// フラグメントごとのサイクル数をバッファに書き込む：
layout(set=0,binding=0) buffer Timings { uint64_t t[]; } times;

uint64_t start = clockARB();
vec4 c = expensiveLighting(...);   // ← 容疑者
times[gl_FragCoord.y * W + gl_FragCoord.x] = clockARB() - start;
// 読み戻し + ヒストグラム → どのピクセル/分岐が最もコストが高いか

できないこと

clockARB は呼び出しごとだ。warp 分岐があると最も遅いレーンの数値が warp の数値になる。warp レベルの計測には shaderSubgroupClock と clock2x32ARB/shared 書き戻しを使う。
呼び出し間のストールは計れない。スケジューラに隠されるメモリレイテンシは単一呼び出しの差分には現れない。呼び出しの集まりとして観測する必要がある。
clockRealtimeEXT のエポックは実装依存だ。差分を比較し、デバイス間で絶対値を比較してはいけない。

実践的なルール

VK_KHR_shader_clock → shaderDeviceClock/shaderSubgroupClock； VK_EXT_shader_realtime_clock → shaderRealtimeClock。2つの独立した拡張で、全体像には両方が必要だ。
warp レベルの計測には shaderSubgroupClock を使う。サブグループ内の全レーンが同じカウンタを読むので、差分は1レーンではなく warp のものになる。
clockARB はサイクルを返す。GPU 間で絶対サイクル数ではなく、2回の実行の比率を比較する（ブーストクロックが異なるため）。
VK_EXT_shader_demote_to_helper_invocation と debugPrintfEXT （以前の記事）と組み合わせる。クロックは時間がどこへ行ったかを教え、printf はどの分岐がそれを取ったかを教える。
パスレベルの計測には依然として VK_KHR_performance_query カウンタが欲しい（別記事）。シェーダークロックはシェーダー内部のプロファイリング用、カウンタはハードウェアユニット用だ。