# TBB (oneTBB / Intel Threading Building Blocks)

**TBB(oneTBB)**는 인텔(Intel)에서 개발한 C++ 기반의 고수준 병렬 프로그래밍 라이브러리로, 개발자가 하드웨어의 세부적인 스레드 관리 대신 작업(Task) 단위의 논리적 병렬성에 집중할 수 있도록 돕는 템플릿 라이브러리이다.

---

## 1. 개요
TBB는 현대적인 멀티코어 프로세서의 성능을 최대한 활용하기 위해 설계되었다. 기존의 `pthread`나 C++11의 `std::thread`와 같은 저수준 API는 개발자가 직접 스레드의 생성, 소멸, 동기화 및 CPU 코어 할당을 관리해야 하는 '스레드 기반 병렬성(Thread-based Parallelism)'을 제공한다. 이는 코어 수의 변화에 따라 코드를 수정해야 하거나, 과도한 스레드 생성으로 인한 컨텍스트 스위칭(Context Switching, CPU가 실행 중인 프로세스를 바꾸는 작업) 오버헤드가 발생하는 단점이 있다.

반면, TBB는 **고수준 추상화**를 통해 "무엇을 병렬로 처리할 것인가"에 집중하게 하며, 실제 스레드 매핑과 스케줄링은 TBB 런타임이 하드웨어 자원에 맞게 자동으로 최적화한다.

## 2. 핵심 동작 원리

### 2.1 작업 기반 병렬성 (Task-based Parallelism)
TBB는 실행 단위를 스레드가 아닌 **작업(Task)**으로 정의한다. 작업은 스레드보다 훨씬 가벼운 논리적 단위이며, TBB 런타임은 사용 가능한 CPU 코어 수에 맞춰 최적의 스레드 풀(Thread Pool)을 생성하고 이 작업들을 분배한다.

### 2.2 작업 훔치기 (Work-stealing) 스케줄러
TBB의 성능 핵심은 **작업 훔치기(Work-stealing)** 알고리즘에 있다.
- **로컬 큐(Local Queue):** 각 워커 스레드는 자신만의 작업 덱(Deque)을 가진다.
- **LIFO 처리 (자신):** 스레드는 자신의 큐에서 가장 최근에 추가된 작업을 먼저 처리(LIFO)하여 캐시 지역성(Cache Locality)을 높인다.
- **FIFO 훔치기 (타인):** 특정 스레드가 유휴 상태가 되면, 다른 바쁜 스레드의 큐 뒷부분(가장 오래된 작업)에서 작업을 FIFO 방식으로 가져온다. 이는 훔쳐가는 작업의 덩어리(Grain)를 크게 유지하여 훔치기 빈도를 줄이고 효율성을 극대화하는 전략이다.
- **결과:** 이를 통해 모든 코어가 균등하게 부하를 분담하는 동적 부하 분산(Dynamic Load Balancing)을 달성한다.

## 3. 주요 구성 요소 및 API

TBB는 데이터 병렬성과 함수형 병렬성을 모두 지원하며, 복잡한 의존 관계를 처리하기 위한 그래프 모델을 제공한다.

### 3.1 주요 API 비교
| API 명칭 | 용도 | 주요 특징 |
| :--- | :--- | :--- |
| `parallel_for` | 데이터 병렬 루프 처리 | 반복 범위를 분할하여 여러 스레드에서 동시 실행 |
| `parallel_reduce` | 병렬 합계/집계 연산 | 부분 결과를 계산한 후 최종적으로 하나로 병합(Reduction) |
| `parallel_invoke` | 서로 다른 함수 병렬 실행 | 독립적인 여러 함수를 동시에 실행하고 모두 완료될 때까지 대기 |
| `task_group` | 비동기 작업 그룹 관리 | 작업의 생성, 실행 및 명시적 대기(`wait`) 제어 |
| `flow graph` | 데이터 흐름 및 의존성 제어 | 노드와 엣지로 구성된 그래프를 통해 복잡한 파이프라인 구현 |

**런타임 제어:** `tbb::global_control` API를 사용하여 프로그램 전체에서 사용할 최대 스레드 수를 제한하는 등 하드웨어 자원 할당을 정밀하게 제어할 수 있다.

## 4. 동기화 및 컨테이너

표준 라이브러리의 `std::mutex`나 `std::vector`는 멀티스레드 환경에서 데이터 경합(Data Race)을 막기 위해 무거운 락(Lock)을 사용하거나 사용자가 직접 보호해야 한다. TBB는 이를 최적화한 전용 객체를 제공한다.

### 4.1 동기화 객체
- **`spin_mutex`**: 짧은 대기 시간에 최적화된 뮤텍스로, 컨텍스트 스위칭 없이 루프를 돌며 락을 대기한다.
- **`queuing_mutex`**: 스레드들이 큐를 형성하여 대기함으로써 공정성(Fairness)을 보장하고 캐시 핑퐁 현상을 줄인다.

### 4.2 병렬 컨테이너 (Concurrent Containers)
TBB 컨테이너는 내부적으로 세밀한 락(Fine-grained locking)이나 락-프리(Lock-free) 알고리즘을 사용하여 성능을 극대화한다.
- **`concurrent_vector`**: 요소의 추가(`push_back`) 시 기존 요소의 메모리 주소가 변경되지 않으며, 여러 스레드에서 동시에 추가 가능하다. **단, 요소의 추가는 스레드 안전하지만 임의의 요소 수정이나 삭제는 사용자가 직접 동기화해야 한다.**
- **`concurrent_hash_map`**: 키-값 쌍에 대해 세밀한 락을 적용하여 여러 스레드가 서로 다른 키에 동시에 접근할 수 있게 한다.
- **`concurrent_queue`**: 생산자-소비자 패턴에 최적화된 스레드 안전 큐이다.

## 5. 구현 예제

### 5.1 순차적 C++ 코드 (Sequential)
```cpp
#include <vector>
#include <cmath>

void compute(std::vector<double>& data) {
    for (size_t i = 0; i < data.size(); ++i) {
        data[i] = std::sin(data[i]) * std::cos(data[i]);
    }
}
```

### 5.2 TBB 적용 코드 (Parallel)
```cpp
#include <tbb/parallel_for.h>
#include <tbb/blocked_range.h>
#include <vector>
#include <cmath>

void compute_tbb(std::vector<double>& data) {
    // blocked_range를 통해 데이터를 적절한 크기의 청크(Chunk)로 분할
    tbb::parallel_for(tbb::blocked_range<size_t>(0, data.size()), 
        [&](const tbb::blocked_range<size_t>& r) {
            // r.begin()과 r.end()는 TBB 런타임에 의해 분할된 
            // 현재 스레드가 처리해야 할 '부분 범위(sub-range)'를 의미함
            for (size_t i = r.begin(); i != r.end(); ++i) {
                data[i] = std::sin(data[i]) * std::cos(data[i]);
            }
        });
}
```
**분석:** `parallel_for`를 사용하면 하드웨어 코어 수에 맞춰 자동으로 범위가 분할되며, `blocked_range`를 통해 캐시 효율성을 높이는 청크 단위 처리가 가능해진다.

## 6. 설치 및 빌드 환경 설정

### 6.1 설치 방법
- **Ubuntu/Debian:**
  ```bash
  sudo apt-get update
  sudo apt-get install libtbb-dev
  ```
- **macOS (Homebrew):**
  ```bash
  brew install oneTBB
  ```
- **Windows:** 
  - **vcpkg:** `vcpkg install oneTBB`
  - **NuGet:** Visual Studio 패키지 관리자에서 `oneTBB` 검색 및 설치
  - **Intel oneAPI:** Intel oneAPI Base Toolkit 설치 시 포함됨

### 6.2 빌드 설정 (CMake 예시)
```cmake
cmake_minimum_required(VERSION 3.10)
project(TBB_Example)

# TBB 패키지 찾기
find_package(TBB REQUIRED)

add_executable(my_app main.cpp)

# TBB 라이브러리 링크 (oneTBB 기준 TBB::tbb 타겟 사용)
target_link_libraries(my_app TBB::tbb)
```

## 7. 성능 비교: std::thread vs TBB

| 비교 항목 | `std::thread` (저수준) | TBB (고수준) | 비고 |
| :--- | :--- | :--- | :--- |
| **스레드 생성 비용** | 매번 생성/소멸 시 오버헤드 큼 | 스레드 풀 재사용으로 오버헤드 낮음 | TBB가 초기 구동 후 유리 |
| **부하 분산** | 정적 분할 (Static Partitioning) | 동적 분산 (Work-stealing) | 작업 부하가 불균일할 때 TBB 압승 |
| **확장성 (Scalability)** | 코어 수 변경 시 코드 수정 필요 | 하드웨어에 맞춰 자동 확장 | TBB는 이식성이 매우 높음 |
| **컨텍스트 스위칭** | 과도한 스레드 생성 시 빈번함 | 최적의 워커 스레드 수 유지 | TBB가 CPU 효율성 높음 |

## 8. std::execution과의 비교

C++17부터 도입된 병렬 알고리즘(`std::execution`)과 TBB는 목적이 유사하지만 구현 계층이 다르다.

| 비교 항목 | TBB (oneTBB) | std::execution (PSTL) |
| :--- | :--- | :--- |
| **성격** | 독립적인 라이브러리 (Framework) | 언어 표준 사양 (Specification) |
| **제어 수준** | 매우 높음 (Flow Graph, 커스텀 스케줄링) | 낮음 (정책 지정 방식: `par`, `seq`) |
| **구현체** | Intel oneTBB (단일 구현) | 컴파일러/라이브러리 벤더마다 다름 (TBB를 백엔드로 사용하기도 함) |
| **기능 범위** | 컨테이너, 동기화 객체, 그래프 포함 | 표준 알고리즘의 병렬화에 집중 |

## 9. 버전별 변경 사항 및 마이그레이션

TBB는 최근 **oneTBB**라는 브랜드로 통합되며 큰 구조적 변화가 있었다.

- **TBB → oneTBB 전환:**
    - **네임스페이스 변경:** 기존 `tbb::` 네임스페이스는 유지되나, 내부 구현이 모듈화되었다.
    - **Task API 변경:** 과거의 `tbb::task` 클래스 기반의 저수준 API가 제거되고, `task_group` 및 `task_arena` 중심의 고수준 API로 완전히 대체되었다.
    - **헤더 파일:** `<tbb/tbb.h>`와 같은 통합 헤더보다는 `<tbb/parallel_for.h>`와 같이 필요한 기능만 포함하는 개별 헤더 사용이 권장된다.
- **마이그레이션 팁:** 기존 `tbb::task`를 상속받아 구현한 코드는 `tbb::task_group`이나 `tbb::flow::graph`를 사용하여 재작성해야 한다.

## 10. 장단점 및 활용 사례

### 10.1 장점
- **이식성:** 하드웨어 코어 수에 독립적인 코드를 작성할 수 있어, CPU 사양이 다른 환경에서도 최적의 성능을 낸다.
- **효율성:** 작업 훔치기 스케줄러를 통해 스레드 오버헤드를 최소화하고 CPU 이용률을 극대화한다.
- **안정성:** 검증된 병렬 컨테이너를 통해 복잡한 락 구현 없이 스레드 안전한 데이터를 관리할 수 있다.

### 10.2 단점
- **학습 곡선:** `flow graph`나 `blocked_range`와 같은 TBB 특유의 개념을 익히는 데 시간이 필요하다.
- **런타임 오버헤드:** 매우 작은 작업 단위의 경우, 작업 생성 및 스케줄링 비용이 실제 계산 비용보다 커질 수 있다.

### 10.3 활용 사례
- **이미지/비디오 처리:** 픽셀 단위의 독립적 연산이 많은 필터링, 렌더링 엔진.
- **물리 시뮬레이션:** 대규모 입자 연산 및 격자 기반 계산.
- **금융 공학:** 몬테카를로 시뮬레이션과 같은 대량의 독립적 샘플링 계산.
- **게임 엔진:** 잡 시스템(Job System) 구현을 통한 멀티코어 최적화.