UnityBurst编译

官网文档： docs.unity3d /Packages/com.unity.burst@1.8/manual/index.html

Unity 之Burst 底层原理： zhuanlan.zhihu /p/623274986

Burst 编译器入门（五）： developer.unity /projects/5e62f15eedbc2a1feeebb83e

LLVM： llvm.org/

LLVM： aosabook.org/en/v1/llvm.html

編譯器 LLVM 淺淺玩： medium /@zetavg/%E7%B7%A8%E8%AD%AF%E5%99%A8-llvm-%E6%B7%BA%E6%B7%BA%E7%8E%A9-42a58c7a7309#20b5

一个故事看懂CPU的SIMD技术： blogs /xuanyuan/p/16048303.html

介绍 Burst 是一个编译器，目的是把代码跑的更高效。主要优化技术密集的任务。 LLVM的激进优化。 SIMD向量化：循环操作转为单指令多数据指令。（一个加法变四个加法一起算）循环展开：if等分支展开，比如经常true的再优化。Hint intrinsics自动内联：把小函数自动内联展开。无GC检测：因为操作都是非托管数据，所以省去一些不必要的检测。 2019年官方说的： Burst必须只能在JobSystem中使用，其他地方是不能用的。从 IL/.NET 字节码转换为使用 LLVM 编译器的优化原生 CPU 代码。 C#代码 -> IL -> LLVM IR -> 原生机器码 适用于： 物理碰撞。粒子系统刷新。图形算法处理。 LLVM 模块化编译器，是一组库，可以针对特定问题优化。 和 IL2CPP 的关系

互不影响，两套编译方式。

普通代码走IL2CPP编译成C++机器码。

标记[BurstCompile]的代码，有Burst单独编译优化，生成更高效的机器码。

调试

docs.unity3d /Packages/com.unity.burst@1.8/manual/editor-burst-inspector.html

Unity菜单：Jobs/Burst/Open Inspector

测试

对比各种遍历耗时

测试了 List<T> 和 定长数组，相同操作都是定长数组更快一点。

测试长度遍历一千万，测了一百万差异差不多。

测试代码 private const int TEST_COUNT = 10000000; private float[] _managedArray = new float[TEST_COUNT]; // 托管 private NativeArray<float> _nativeArray; // 非托管 private void Run() { _nativeArray = new NativeArray<float>(TEST_COUNT, Allocator.Persistent); for (int i = 0; i < TEST_COUNT; i++) { _managedArray[i] = i; _nativeArray[i] = i; } // 测试List，同下面Array ... // Debug.LogError("Test Array"); using (new MyStopWatch("ManagedArray")) { for (int i = 0; i < TEST_COUNT; i++) _managedArray[i] = i + 5; } using (new MyStopWatch("TestNativeArray")) { for (int i = 0; i < TEST_COUNT; i++) _nativeArray[i] = i + 5; } using (new MyStopWatch("TestNativeList Job")) { var job = new NativeArrayJob { Data = _nativeArray }; job.Run(); } using (new MyStopWatch("TestNativeList Burst Job")) { var job = new NativeArrayBurstJob { Data = _nativeArray }; job.Run(); } using (new MyStopWatch("TestNativeArray Burst JobParallelFor")) { // List动态扩容，不支持多线程写入 var job = new NativeArrayBurstJobParallelFor() { Data = _nativeArray }; job.Schedule(TEST_COUNT, 64).Complete(); } using (new MyStopWatch("TestNativeArray Burst")) { TestNativeArrayBurst(ref _nativeArray); } using (new MyStopWatch("TestNativeArray Burst Break")) { TestNativeArrayBurstBreak(ref _nativeArray); } // Natvie容器要自己释放 _nativeList.Dispose(); } // 普通带Burst编译 [BurstCompile] private static void TestNativeArrayBurst([NoAlias]ref NativeArray<float> list) { for (int i = 0; i < TEST_COUNT; i++) list[i] = i + 5; } // 带Burst编译，但是加分支打断SIMD向量化 [BurstCompile] private static void TestNativeArrayBurstBreak([NoAlias]ref NativeArray<float> list) { for (int i = 0; i < TEST_COUNT; i++) { if (i == 0) list[i] = i + 7; // 加个分支，打断Loop vectorization list[i] = i + 5; } } // 普通Job struct NativeArrayJob : IJob { public NativeArray<float> Data; public void Execute() { for (int i = 0; i < TEST_COUNT; i++) Data[i] = i + 5; } } // 带Burst的Job [BurstCompile] struct NativeArrayBurstJob : IJob { public NativeArray<float> Data; public void Execute() { for (int i = 0; i < TEST_COUNT; i++) Data[i] = i + 5; } } // 带Burst的多线程Job [BurstCompile] struct NativeArrayBurstJobParallelFor : IJobParallelFor { public NativeArray<float> Data; public void Execute(int index) { Data[index] = index + 6; } } 测试结果

PC端跑一千万次循环array[i]=i+5

MUMU模拟器 64位，跑一亿次循环array[i]=i+5

安卓跑一亿次array[i]=i+5耗时代码普通数组80msNativeArray32ms丢到Job中执行34msBurst编译的Job31msBurst编译的多线程Job。不支持NativeList<T>，因为可能出现动态扩容，导致线程不安全。28ms普通Burst函数34ms普通Burst函数，但是打断SIMD向量化78ms 跑一亿次循环array[i]=math.sin(i+5)，左图：MUMU模拟器 64位，右图：RedmiNote12 安卓跑一亿次sin(i+5)模拟器耗时/ms真机耗时/ms普通数组608015570NativeArray592215533丢到Job中执行590315415Burst编译的Job21251505Burst编译的多线程Job573332普通Burst函数21161503普通Burst函数，但是打断SIMD向量化235208047Burst编译的Job，但是打断SIMD向量化231658036Burst编译的多线程Job，但是打断SIMD向量化59441738 模拟器下，同样循环内容下（有if和math.sin），burst编译反而跑的更慢了。可能中低端设备负优化了？ SIMD向量化

docs.unity3d /Packages/com.unity.burst@1.8/manual/optimization-loop-vectorization.html

如果有分支或者计算结果有前后依赖，就无法向量化。简单的计算可以手动向量化用float4等。

---

总结

复杂计算效率 Burst + JobParallelFor > Burst + Job >= Burst > Job >= 常规。

平常开发不涉及大量计算，直接用托管List<T>等常规容器就好了。托管环境Native容器虽然也快一点，但需要自己释放。