AI-новости8 сентября 2026 г., 13:17 МСК🤖 Auto

LLVM добавил поддержку инструкций AMD SEV-SNP для Zen 5/6

Компилятор LLVM/Clang интегрировал поддержку инструкций RMPCHKD, RMPREAD и RMPOPT, что критически важно для оптимизации производительности защищенных виртуальных машин AMD SEV-SNP.

Баннер новости 7005

Суть интеграции

В репозиторий LLVM/Clang был слит пулл-реквест, добавляющий поддержку трех новых инструкций процессоров AMD: RMPCHKD, RMPREAD и RMPOPT. Эти инструкции относятся к архитектуре Zen 5 и новее (включая будущую Zen 6) и предназначены для работы с Reverse Map Table (RMP) в рамках технологии конфиденциальных виртуальных машин SEV-SNP.

Технические детали и назначение инструкций

Основной целью внедрения является снижение накладных расходов (overhead) при проверках целостности памяти на уровне гипервизора. Инструкция RMPOPT позволяет пропускать проверки RMP в тех случаях, когда известно, что 1-гигабайтные регионы памяти не содержат гостевых данных SEV-SNP. Это напрямую влияет на производительность серверов.

Инструкция Назначение Влияние на производительность
RMPOPT Оптимизация проверок RMP Позволяет пропускать проверки для чистых 1G-регионов, снижая нагрузку на CPU
RMPREAD Чтение записей RMP Обеспечивает доступ к таблице обратных отображений для валидации
RMPCHKD Проверка статуса «грязности» Позволяет проверять биты dirty-статуса для диапазонов частных страниц гостя

Почему это важно сейчас?

Хотя изначально предполагалось, что RMPOPT станет фишкой архитектуры Zen 6, инструкция уже доступна в процессорах EPYC 5-го поколения (Zen 4/Zen 5 архитектура, выпущенных два года назад). Поддержка в LLVM была реализована с задержкой, но теперь она готова к интеграции. Патчи были отправлены в версии v13, и ожидается, что код будет готов к окну слияния Linux v7.4 в конце октября.

Контекст для рынка

Эта поддержка приходит в преддверии дебюта серверов AMD EPYC 6-го поколения «Venice». Оптимизация SEV-SNP через RMPOPT станет ключевым преимуществом для облачных провайдеров и корпоративных клиентов, использующих конфиденциальные вычисления, так как она минимизирует потерю производительности, традиционно сопровождающую шифрование памяти.

Источник: Phoronix ↗