OpenMP: низкая производительность массивов кучи (массивы стека работают нормально)

Я довольно опытный пользователь OpenMP, но я только что столкнулся с загадочной проблемой, и я надеюсь, что кто-то здесь может помочь.Проблема в том, что простой алгоритм хеширования хорошо работает для массивов, выделенных стеком, но плохо для массивов в куче.

В приведенном ниже примере используется i% M (i модуль M) для подсчета каждого M-го целого числа в соответствующем элементе массива. Для простоты представьте N = 1000000, M = 10. Если N% M == 0, то результатом должно быть то, что каждый элемент bins [] равен N / M:

#pragma omp for
  for (int i=0; i<N; i++) 
    bins[ i%M ]++;

Array bins [] является частным для каждого потока (я суммирую результаты всех потоков в критической секции впоследствии).

Когда бункеры [] выделяются в стеке, программа отлично работает, с масштабированием производительности пропорционально количеству ядер.

Однако, если бункеры [] находятся в куче (указатель на бункеры [] находится на stack) резко падает производительность. И это серьезная проблема!

Я хочу распараллелить биннинг (хеширование) определенных данных в массивы кучи с помощью OpenMP, и это сильно снижает производительность.

Это определенно не что-то глупое, как все потоки, пытающиеся писать в та же область памяти. Это связано с тем, что каждый поток имеет свой собственный массив bins [], результаты верны как для выделенных в куче, так и для стека, и нет никакой разницы в производительности для однопоточных запусков. Я воспроизвел проблему на другом оборудовании (Intel Xeon и AMD Opteron) с компиляторами GCC и Intel C ++. Все тесты проводились на Linux (Ubuntu и RedHat).

Кажется, нет причин, по которым хорошая производительность OpenMP должна ограничиваться массивами стека.

Есть предположения? Может, доступ потоков к куче идет через какой-то общий шлюз на Linux? Как мне это исправить?

Полная программа, с которой можно поиграть, приведена ниже:

#include <stdlib.h>
#include <stdio.h>
#include <omp.h>

int main(const int argc, const char* argv[])
{
  const int N=1024*1024*1024;
  const int M=4;
  double t1, t2;
  int checksum=0;

  printf("OpenMP threads: %d\n", omp_get_max_threads());

  //////////////////////////////////////////////////////////////////
  // Case 1: stack-allocated array
  t1=omp_get_wtime();
  checksum=0;
#pragma omp parallel
  { // Each openmp thread should have a private copy of 
    // bins_thread_stack on the stack:
    int bins_thread_stack[M];
    for (int j=0; j<M; j++) bins_thread_stack[j]=0;
#pragma omp for
    for (int i=0; i<N; i++) 
      { // Accumulating every M-th number in respective array element
        const int j=i%M;
        bins_thread_stack[j]++;
      }
#pragma omp critical
    for (int j=0; j<M; j++) checksum+=bins_thread_stack[j];
  }
  t2=omp_get_wtime();
  printf("Time with stack array: %12.3f sec, checksum=%d (must be %d).\n", t2-t1, checksum, N);
  //////////////////////////////////////////////////////////////////

  //////////////////////////////////////////////////////////////////
  // Case 2: heap-allocated array
  t1=omp_get_wtime();
  checksum=0;
  #pragma omp parallel 
  { // Each openmp thread should have a private copy of 
    // bins_thread_heap on the heap:
    int* bins_thread_heap=(int*)malloc(sizeof(int)*M); 
    for (int j=0; j<M; j++) bins_thread_heap[j]=0;
  #pragma omp for
    for (int i=0; i<N; i++) 
      { // Accumulating every M-th number in respective array element
        const int j=i%M;
        bins_thread_heap[j]++;
      }
  #pragma omp critical
    for (int j=0; j<M; j++) checksum+=bins_thread_heap[j];
    free(bins_thread_heap);
  }
  t2=omp_get_wtime();
  printf("Time with heap  array: %12.3f sec, checksum=%d (must be %d).\n", t2-t1, checksum, N);
  //////////////////////////////////////////////////////////////////

  return 0;
}

Ниже приведены примеры выходных данных программы:

для OMP_NUM_THREADS = 1

OpenMP threads: 1
Time with stack array: 2.973 sec, checksum=1073741824 (must be 1073741824).
Time with heap  array: 3.091 sec, checksum=1073741824 (must be 1073741824).

и для OMP_NUM_THREADS = 10

OpenMP threads: 10
Time with stack array: 0.329 sec, checksum=1073741824 (must be 1073741824).
Time with heap  array: 2.150 sec, checksum=1073741824 (must be 1073741824).

Я буду очень признателен за любую помощь!