Benchmarks (Runtime-only Baseline)

Mục tiêu: đo runtime-only (không tính parse/typecheck/compile), có median + p95, warmup tối thiểu 100ms, pin CPU core và governor.

Checklist môi trường

• Pin CPU core: taskset -c 0
• Governor: performance
  • sudo cpupower frequency-set -g performance
  • hoặc sudo cpufreq-set -g performance
• Tắt logging/debug output (đã mặc định trong benchrt).

Cross-language bundle chuẩn

Đây là command ưu tiên để so Naux với C, C++, Go, Rust và Zig:

CPU_CORE=0 N=100000 REPS=50 ITERS=50 WARMUP_MS=100 \
    ./scripts/bench_cross_language.sh

Script này:

• sinh bản benchmark Naux tạm thời với đúng cùng N và REPS
• build toàn bộ binary vào target/perf/, không ghi build artifact vào source tree
• đo cùng timed region: cấp phát input, khởi tạo, chạy kernel và tính cả explicit reclamation ở implementation có thao tác giải phóng xác định
• kiểm tra checksum Naux/VM semantics với từng baseline trước khi chấp nhận số đo
• tính CV trên toàn bộ sample của từng implementation; CV trên 5% chỉ được coi là observation và tự động chặn claim
• ghi toolchain, CPU pinning, governor, turbo policy, Git SHA và dirty state
• ghi CPU model, physical/logical cores, RAM, target triple/features, timestamp, sample/outlier policy và command tái lập
• xuất target/perf/cross_language/cross_language.{json,md,tsv}

Chỉ được dùng artifact để công bố claim khi report có claim.eligible=true. Có thể đặt ENFORCE_CLAIM_ENV=1 để command fail nếu môi trường chưa đạt policy. Claim eligibility mặc định còn yêu cầu ít nhất 30 sample/implementation, warmup 100ms, worktree sạch và đầy đủ fingerprint.

Sau một run đủ điều kiện, tạo deterministic evidence bundle:

python3 scripts/perf_claim_bundle.py
sha256sum -c target/perf/claims/*.tar.sha256
python3 scripts/perf_claim_bundle.py \
    --verify target/perf/claims/naux-performance-evidence-<sha>.tar

Packager từ chối fail-closed nếu report không eligible, thiếu một trong 24 benchmark/implementation rows, checksum lệch, CV vượt ngưỡng, thiếu Zig, fingerprint/Git SHA không hợp lệ, checkout hiện tại khác SHA hoặc dirty, hay thiếu log/source evidence. Packager cũng từ chối nếu workload yêu cầu JIT nhưng fallback về VM, không tạo trace, hoặc branch_mix thoát khỏi native forward control flow. Bundle .tar chứa report, toàn bộ log, benchmark sources, harness, manifest SHA-256 và command tái lập.

Khi đủ trend/stability evidence, claim readiness chỉ được chấp nhận qua aggregator:

python3 scripts/perf_m1_readiness.py \
    --trend-json target/perf/trend_report.json \
    --stability-json target/perf/stability_window_report.json \
    --bundle target/perf/claims/naux-performance-evidence-<sha>.tar

Gate này yêu cầu 10 run pass liên tiếp, shadow match/coverage 100%, Rust là primary thật trên runner kiểm soát không fallback, và bundle cùng Git SHA.

Zig là baseline tùy theo toolchain: source chuẩn nằm ở benchmarks/zig/bench_baselines.zig. Source đã được compile và checksum-smoke với Zig 0.16.0; Zig chỉ là compiler cho baseline so sánh, không phải dependency của compiler/runtime Naux. Khi có zig trong PATH, bundle tự build ReleaseFast, chạy bốn workload và yêu cầu đủ 24 hàng parity/performance. Nếu toolchain chưa có, report ghi source-ready/toolchain-missing, chỉ có 20 hàng từ C/C++/Go/Rust/Naux và thêm blocker nên artifact không đủ điều kiện công bố claim.

Schema-v2 hiện ghi thêm naux_execution cho từng workload: requested engine, fallback, trace count, deopt, internal side exits và static branches. Smoke cục bộ với Zig 0.16.0 có 24/24 hàng, toàn bộ checksum match và native-branch certificate đạt. Artifact này không dùng để claim vì governor/turbo/dirty-state chưa đạt policy.

Naux runtime-only

RUSTFLAGS="-C target-cpu=native" cargo build -p naux --release
taskset -c 0 ./target/release/naux dev benchrt naux-lang/examples/bench_sum_dense.nx --engine=jit --iters=200 --warmup-ms=100
taskset -c 0 ./target/release/naux dev benchrt naux-lang/examples/bench_list_update.nx --engine=jit --iters=200 --warmup-ms=100
taskset -c 0 ./target/release/naux dev benchrt naux-lang/examples/bench_dot_product.nx --engine=jit --iters=200 --warmup-ms=100
taskset -c 0 ./target/release/naux dev benchrt naux-lang/examples/bench_branch_mix.nx --engine=jit --iters=200 --warmup-ms=100

Native internal-branch diagnostic

bench_internal_branch_handoff.nx (tên lịch sử) stresses a hot forward branch that changes direction near the end of every loop invocation:

taskset -c 0 ./target/release/naux dev benchrt \
    naux-lang/examples/bench_internal_branch_handoff.nx \
    --engine=jit --iters=50 --warmup-ms=100 --json

Forward if/if-else edges now remain inside one native trace. The JSON proves:

• trace_count=1 and total_static_branches>0;
• total_internal_side_exits=0;
• total_deopts=0 and total_runtime_deopts=0.

branch_mix extends the same invariant to an alternating nested if/if-else shape in the official cross-language bundle. Backward internal edges from nested loops remain rejected to prevent trace explosion.

Output mẫu:

~ NAUX BENCH (runtime-only) ~
[BENCH] median=... ns/op (.. ops/sec), p95=... ns/op over 200 runs (warmup 100 ms, ... iters) engine=jit

C baseline (cùng thuật toán)

mkdir -p target/perf/manual/bin
cc -O3 -march=native -o target/perf/manual/bin/bench_sum_dense benchmarks/c/bench_sum_dense.c -lm
taskset -c 0 ./target/perf/manual/bin/bench_sum_dense 100000 200 100 50
cc -O3 -march=native -o target/perf/manual/bin/bench_list_update benchmarks/c/bench_list_update.c -lm
taskset -c 0 ./target/perf/manual/bin/bench_list_update 100000 200 100 50
cc -O3 -march=native -o target/perf/manual/bin/bench_dot_product benchmarks/c/bench_dot_product.c -lm
taskset -c 0 ./target/perf/manual/bin/bench_dot_product 100000 200 100 50

C++ baseline 3 variants (dot_product)

Mức khắt khe tăng dần:

• v1_naive: loop cơ bản.
• v2_vec_friendly: __restrict__ + #pragma GCC ivdep + -ffast-math.
• v3_avx2_intrinsics: AVX2/FMA intrinsics (ceiling thực tế).

Script chuẩn:

ITERS=200 WARMUP_MS=100 ./scripts/bench_dot_cpp_variants.sh

Measurement discipline script này đang enforce:

• Warmup trước khi đo.
• Report bằng median + p95 (không dùng mean).
• Cùng n/reps/seed cho cả Naux và C++ variants.
  • Hiện tại script enforce theo benchmark Naux đang cố định: n=100000, reps=50, seed=0.
  • Có thể bỏ enforce bằng ALLOW_INPUT_MISMATCH=1 nếu cố ý so workload khác.
• Pin CPU bằng taskset -c <PIN_CPU> nếu có (PIN_CPU mặc định 0).

Policy hiện tại:

• Hard gate: Naux phải thắng v2_vec_friendly theo median.
• Soft check: nếu thua v3_avx2_intrinsics thì phải “gần” (mặc định trong khoảng ~15%, cấu hình qua MIN_V3_TO_NAUX_RATIO_WARN).

KPI (định nghĩa “thắng C”)

• So sánh median và p95 (không dùng mean).
• Naux JIT nên dùng gate theo domain/benchmark thay vì một ngưỡng cứng cho tất cả.
  • Ví dụ: sum_dense >= 1.2x, list_update >= 1.2x, dot_product >= 1.0x trong giai đoạn hiện tại.
• Warmup tối thiểu 100ms trước đo.

Script tự động

ITERS=200 WARMUP_MS=100 REPS=50 ./scripts/bench_runtime.sh

CI performance contract

Workflow CI có job perf-contract dùng script:

./scripts/perf_contract_ci.sh

Job này:

• Build naux release với -C target-cpu=native.
• Chạy benchmark runtime-only của Naux và benchmark C đối chiếu.
• Thu thêm metric i-cache proxy từ trace: trace code avg bytes.
• Hard fail code-size:
  • sum_dense, dot_product: <= 512B (mặc định).
• Soft regression warning:
  • Cảnh báo khi trace code avg bytes tăng > 10% so với baseline.
• Baseline file:
  • benchmarks/perf_baseline.tsv
• Xuất báo cáo:
  • target/perf/perf_report.md
  • target/perf/perf_report.json
  • log thô target/perf/*.log

Có thể cấu hình bằng env:

• ITERS (mặc định 10)
• WARMUP_MS (mặc định 100)
• REPS (mặc định 50)
• ENGINE (mặc định jit)
• MIN_SPEEDUP (mặc định 0, nếu đặt >0 thì fail khi C/NAUX < MIN_SPEEDUP)
• MIN_SPEEDUP_SUM_DENSE (tuỳ chọn, override cho benchmark sum_dense)
• MIN_SPEEDUP_LIST_UPDATE (tuỳ chọn, override cho benchmark list_update)
• MIN_SPEEDUP_DOT_PRODUCT (tuỳ chọn, override cho benchmark dot_product)
• HARD_LIMIT_MATH_BYTES (mặc định 512)
• HARD_LIMIT_DEFAULT_BYTES (mặc định 0 = tắt)
• PERF_BASELINE_TSV (mặc định benchmarks/perf_baseline.tsv)
• SOFT_REGRESSION_PCT (mặc định 10)
• SOFT_REGRESSION_FAIL (mặc định 0, nếu đặt 1 thì warning regression sẽ fail CI)