Kernoscope 0.2.0 · 协议 a2a86146b7d7 · 层 3 (instrumented)
------------------------------------------------------------------------------------------------
[ok  ] 最耗时的是 copy_k(const float *, float *, long)（0.017 ms / 3 次，占 kernel 时间 100.0%），进程内 kernel 时间合计 0.017 ms  (0.017 ms, exact)
        前提 该 kernel 占全部 kernel 时间的比例：100.0%
        下一步：用 -k 只选这个 kernel 再跑一次，拿到它的 DRAM/occupancy/roofline 判词
[no  ] 不给数字：读数低于仪器分辨率下限
        前提 窗口是否被被测负载主导：0.0%（门槛 50.0%）→ **不满足**
        怎么办：让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成…（代价 ≈20s）  [kernoscope --ks-window auto -- python bench_loop.py]
[no  ] 不给数字：读数低于仪器分辨率下限
        前提 窗口是否被被测负载主导：0.0%（门槛 80.0%）→ **不满足**
        怎么办：让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成…（代价 ≈20s）  [kernoscope --ks-window auto -- python bench_loop.py]
[soft] 轨迹口径每次 launch 约 699 KB（L2 命中模型）  (699000.0 B, estimated)
        下一步：两条口径差得远时先查采样代表性与 L2 模型参数，不要挑好看的那个
[no  ] 不给数字：读数低于仪器分辨率下限
        怎么办：让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成…（代价 ≈20s）  [kernoscope --ks-window auto -- python bench_loop.py]
[soft] 理论上界 100.0%；限制因素 threads+warps  (100.0 %, exact)
        下一步：装上 NVBit 探针可拿到实测 occupancy（不只是上界）

没测到什么（共 6 个指标，按原因归组）：
  - 3 个 below_resolution（读数低于仪器分辨率下限）；怎么办：让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成…（代价 ≈20s）
  - 2 个 counters_denied（硬件计数器被权限/驱动策略拒绝）；怎么办：计数器是 host-wide 的，容器内无法突破（不要用 sudo/setuid 试）；换…
  - 1 个 no_workload（没有给工作量（FLOPs/bytes））；怎么办：给出每次 launch 的工作量：--ks-gemm M,N,K 或 --ks-flops…（代价 ≈0）
  - 本机缺件 no_instr_hist（没有提供指令直方图）；怎么办：加 --ks-instr-hist <opcode_hist.txt>：给出动态指令数与发…
  - 本机缺件 no_memtrace（没有提供访存轨迹文件）；怎么办：加 --ks-memtrace <trace>：轨迹口径只测被追踪的 kernel，不受窗…
  - 本机缺件 no_occupancy_probe（没跑 occupancy 探针）；怎么办：跑 occupancy 探针并把 JSON 用 --ks-achieved-occupan…
  - 本机缺件 no_static_input（没有提供 cubin/.so）；怎么办：用 --ks-cubin <cubin/.so> 指向被测二进制；没有它就没有寄存器/共享…

本次代价：wall 2.911s · 包 3952B · 完整报告 29 KB · 3 次 launch · 无本机误差带（跑 kernoscope selftest 后 diff 才有 MDD） · 包已按尺寸预算裁剪（unmeasured_examples, verdict_metrics, next_pointers, unmeasured_groups, passing_premises）

====================================================================================================
完整报告（上面的判词都出自这里的数据；每个数字都带出处）
====================================================================================================
==PROF== Kernoscope 0.2.0 - provenance-honest profile (no performance counters required)
==PROF== Target: bench/artifacts/.build/ledger_probe --kernel copy --mb 1 --iters 1 --warmup 2 --grid 16 --block 128
==PROF== DRAM 估算不可用：显存忙碌读数 0.0% 低于 NVML utilization.memory 的分辨率下限 1 个百分点：无法区分『真的没搬』与『1.0% 被截断成 0』
==PROF== Kernel time: 0.017 ms of 2911.020 ms wall (0.0%)
==PROF== Window: mode=full 采样 14 点 / 参与积分 2.8 s / 裁掉 0.1 s / 进程 wall 2.9 s
==PROF== source[kernel activity]: nsys sqlite CUPTI_ACTIVITY_KIND_KERNEL (no counters needed)
==PROF== source[device counters]: pynvml (energy/PCIe/mem-busy are management counters, available without admin)
==PROF== source[static]: not used
==PROF== source[peaks]: measured calibration (bench/artifacts/20261011-140642/machine-profile.json)

Kernel: copy_k(const float *, float *, long)
  nsys short name: copy_k
  3 launch(es), 0.0172 ms total, 0.0057 ms mean

  Section: Duration                           [exact]
    gpu__time_duration.sum                                 0.0172 ms       [exact]
    ks__launch_time_mean                                   0.0057 ms       [exact]
    ks__launch_time_min                                    0.0056 ms       [exact]
    ks__launch_time_max                                    0.0059 ms       [exact]
    ks__launch_count                                            3          [exact]

  Section: LaunchStats                        [exact]
    launch__grid_size                                          16          [exact]
    launch__block_size                                        128          [exact]
    launch__thread_count                                     2048          [exact]
    launch__registers_per_thread                               32          [exact]
    ks__registers_used_for_occupancy                           32          [exact]
    launch__shared_mem_per_block_static                         0 B        [exact]
    launch__shared_mem_per_block_dynamic                        0 B        [exact]
    launch__local_mem_per_thread                                0 B        [exact]
    ks__cuda_graph_capture                                    yes          [exact]

  Section: Occupancy                          [exact] (+1 n/a)
    ks__theoretical_occupancy_pct                             100 %        [exact]
    ks__blocks_per_sm                                          12          [exact]
    ks__warps_per_sm                                           48          [exact]
    ks__occupancy_limiter                           threads+warps          [exact]  (并列的限制因素用 + 连接)
    sm__maximum_warps_per_active_cycle_pct                    n/a          [unavailable]  [counters_denied] requires GPU hardware performance counters, which are restricted here (RmProfilingAdminOnly=1 and no CAP_SYS_ADMIN/CAP_PERFMON in the container); CUPTI reports 
        fix: 计数器是 host-wide 的，容器内无法突破（不要用 sudo/setuid 试）；换用本工具的非计数器口径，或在有权限的机器上跑 ncu  (代价≈本机不可行)

  Section: SpeedOfLight                       [unavailable] (+2 n/a)
    est__achieved_tflops                                      n/a          [unavailable]  [no_workload] workload not provided: pass --ks-gemm M,N,K or --ks-flops/--ks-bytes (plus --ks-calibration machine-profile.json for measured peaks)
        observed peaks_provided=True  (downgraded: degraded)
        fix: 给出每次 launch 的工作量：--ks-gemm M,N,K 或 --ks-flops/--ks-bytes  (代价≈≈0)
    sm__throughput.avg.pct_of_peak_sustained_elapsed            n/a          [unavailable]  [counters_denied] requires GPU hardware performance counters, which are restricted here (RmProfilingAdminOnly=1 and no CAP_SYS_ADMIN/CAP_PERFMON in the container); CUPTI reports 
        fix: 计数器是 host-wide 的，容器内无法突破（不要用 sudo/setuid 试）；换用本工具的非计数器口径，或在有权限的机器上跑 ncu  (代价≈本机不可行)

  Section: MemoryTrace                        [estimated]
    meas__sectors_per_request                                   4          [measured]  (全量（49152 条 warp 指令记录）；每个 sector 32B)
    meas__coalescing_efficiency_pct                           100 %        [measured]  (100% 表示无浪费；<50% 通常是跨步/未对齐访问)
    meas__trace_working_set_mb                              2.097 MB       [measured]  (全量（49152 条 warp 指令记录）；用于判断工作集是否超过 L2)
    meas__trace_records                                     49152          [measured]  (全量（49152 条 warp 指令记录）)
    meas__trace_records_global                              49152          [measured]  (轨迹指纹 04acb8c17eeb6f01（轨迹带结束标记（完整））；全局口径只用 LDG/STG（49152/49152 条）；没有被排除的记录。共享/本地访存与 L2↔DRAM 无关，混进来会把合并效率算成 >100%)
    est__l2_hit_rate_l2only_pct                              66.7 %        [estimated]  (**上界口径**：所有访问都当到达 L2，会把 L1 命中误记为 L2 命中（高估）)
    est__l2_hit_rate_with_l1_pct                             66.7 %        [estimated]  (比上界口径更接近真实；两种口径之差就是 L1 吸收了多少；SM id 由 CTA 近似分配（官方 mem_trace 不输出 SM id），故『先过 L1』口径仅供参考)
    est__dram_bytes_per_launch_trace                        0.699 MB       [estimated]  (**地址部分是 measured 级算术**（sector 由地址现算，可逐条复核）；只有「哪些访问命中 L2」是模型（LRU + 相联度），所以整体是 estimated。与 NVML 代理是两条独立路径：一致说明结论稳，不一致要查采样代表性)
    est__dram_bytes_per_launch_trace_bounds                 0.699 MB       [estimated]  (同一份轨迹的**模型影响范围**：真实值一定落在两者之间；界很宽说明结论对缓存模型敏感，要换口径或加约束（例如把工作集压到 L2 以内）)

----------------------------------------------------------------------------------------------------
Kernel: (device)
  0 launch(es), 0.0000 ms total, 0.0000 ms mean

  Section: DeviceStatistics                   [estimated]
    meas__nvml_mem_busy_mean_pct                                0 %        [measured]  [resolution 1 %（整数百分比）]  (区间平均；是「显存子系统忙碌占比」，不是 DRAM 吞吐本身。读数 0.0% 只说明低于分辨率下限，不等于「DRAM 完全没动」；必须让 GPU 保持饱和，否则会被宿主间隙稀释（实测 96.8% vs 6.3%）)
    est__dram_busy_equivalent_gbs                               0 GB/s     [estimated]  [resolution 1 %]  (等效带宽口径；与按字节/时间的口径略有差异)
    meas__sm_clock_mean_mhz                                1536.4 MHz      [measured]  [resolution 1 MHz / 1 W（驱动报数粒度）]
    meas__sm_clock_max_mhz                                   2520 MHz      [measured]  [resolution 1 MHz / 1 W（驱动报数粒度）]
    meas__power_max_w                                        62.5 W        [measured]  [resolution 1 MHz / 1 W（驱动报数粒度）]
    meas__device_energy_j                                 129.505 J        [measured]  [resolution 1 mJ]  (ncu 不提供能耗指标)

  Section: DramTraffic                        [estimated] (+3 n/a)
    est__dram_bytes_total                                     n/a          [unavailable]  [below_resolution] 显存忙碌读数 0.0% 低于 NVML utilization.memory 的分辨率下限 1 个百分点：无法区分『真的没搬』与『1.0% 被截断成 0』
        observed mem_busy_pct=0.0 | threshold resolution_pct=1.0
        fix: 让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成 0；把测量窗口对准真正在搬数据的时段（--ks-window auto / --ks-warmup）  (代价≈20 秒)
    est__dram_bytes_per_launch                                n/a          [unavailable]  [below_resolution] 显存忙碌读数 0.0% 低于 NVML utilization.memory 的分辨率下限 1 个百分点：无法区分『真的没搬』与『1.0% 被截断成 0』
        observed mem_busy_pct=0.0 | threshold resolution_pct=1.0
        fix: 让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成 0；把测量窗口对准真正在搬数据的时段（--ks-window auto / --ks-warmup）  (代价≈20 秒)
    est__dram_throughput_pct_of_peak                          n/a          [unavailable]  [below_resolution] 显存忙碌读数 0.0% 低于 NVML utilization.memory 的分辨率下限 1 个百分点：无法区分『真的没搬』与『1.0% 被截断成 0』
        observed mem_busy_pct=0.0 | threshold resolution_pct=1.0
        fix: 让 GPU 保持饱和：NVML 显存忙碌是整数百分比，低于 1 个百分点的读数会被截断成 0；把测量窗口对准真正在搬数据的时段（--ks-window auto / --ks-warmup）  (代价≈20 秒)
    ks__sampler_window_coverage_pct                             0 %        [derived]  [resolution 1 个采样点]  (前提①「窗口被被测负载主导」：<80% 不给 per-launch 归因，<50% 连总量也不给)
    ks__matched_kernel_kernel_share_pct                       100 %        [derived]  [resolution 0.1 %]  (前提②「窗口被被匹配的 kernel 主导」：<95% 不给 per-launch 归因。空闲时段贡献 0 字节，所以判据用内核时间份额而不是墙钟份额：单 kernel 的窗口无论有多少空闲都是 100%)
    ks__matched_kernel_window_share_pct                         0 %        [derived]  [resolution 0.1 %]  (与覆盖率同量纲的对照量（95% 门槛用的是内核时间份额）；通常 ≤ 覆盖率，差值就是窗口里的空闲)
    ks__attribution_bias_estimate_pct                           0 %        [derived]  [resolution 0.1 %]  (实测校验：k_fused 内核时间份额 44.9% → 估计 +123%，而那次观测误差是 +146.9% —— 观测值比估计更高，因为该 kernel 的字节密度低于窗口里其他 kernel。所以这是**估计而非严格上界**：字节强度不一致的混合窗口必须换轨迹口径)
    ks__window_busy_segments                                    0 段        [derived]  [resolution 1 段]  (多段 ⇒ 窗口可能是多个阶段/变体拼接（例如先跑正确性再跑性能、依次跑 v1/v2/v3），此时 per-launch 归因需谨慎：这是启发式信号，不是判据)
    ks__dram_window_mem_busy_mean_pct                           0 %        [derived]  [resolution 1 %]  (这就是摘要里那个「窗口显存忙碌」，也是字节估算真正用到的那个数；整进程均值另见 meas__nvml_mem_busy_mean_pct，两者不可互换)
    est__dram_bytes_per_launch_trace                        0.699 MB       [estimated]  [resolution 全量轨迹]  (第二条口径：与 NVML 代理独立；NVML 口径不成立时用它做账本对拍。它只测被追踪的那个 kernel，因此**不受窗口里还有别的 kernel 影响**——多 kernel 窗口下这是唯一诚实的 per-launch 口径)
    est__dram_vs_ledger_err_pct                             -66.7 %        [estimated]  [resolution 全量轨迹]  (账本 2.1 MB；对拍常用 |误差| < 10% 作为验收线；此次用**轨迹口径**，因为 NVML 代理口径不成立)

----------------------------------------------------------------------------------------------------

Provenance summary: exact=18, derived=6, measured=10, estimated=7, unavailable=6
Legend: exact=与 ncu 同源 | derived=本机实测标定/模型 | measured=我们的探针实测 | estimated=采样或代理(附误差) | unavailable=需要硬件计数器，只报 n/a
Output(json): bench/artifacts/20261011-140642/rep-tracebasis.ksreport.json
Output(perfetto): bench/artifacts/20261011-140642/rep-tracebasis.perfetto.json
Open the timeline at https://ui.perfetto.dev -> Load trace -> the file above
