Intel CPU で連続アクセスは速い、という話。
メモリをざらっとなめる処理があるとする。
for (i=0; i<s; i++) {
RVALUE *val = &vals[i];
if (val->flags) {
do_something_wrong(val);
}
}
vals にある val をイチイチ見ていって、flags を見て、0 以外ならなんかする、という処理。
これを高速化しようと思う。よく見ると、ある条件だったら、この分岐をスキップできることがわかったとする。例えば、一つおきに見るだけで良い、ということがわかったとする。
for (i=0; i<s; i++) {
if (!(*skip_func)(i)) {
RVALUE *val = &vals[i];
if (val->flags) {
do_something_wrong(val);
}
}
}
skip_func が !true の時だけ条件を見るので、メモリアクセスがなくなり、速くなりそうだ。skip_func は実験のために入れ替え可能にしておく。これをまとめたプログラムが以下。
#include <stdint.h>
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
typedef struct {
uint64_t flags;
uint64_t data[4];
}RVALUE;
__attribute__((noinline))
static void
do_something_wrong(RVALUE *val)
{
fprintf(stderr, "do_something_wrong: %p\n", val);
}
static int skip_0(int n){return (n%10) < 0;} /* 0/10, none */
static int skip_1(int n){return (n%10) < 1;} /* 1/10 */
static int skip_2(int n){return (n%10) < 2;} /* 2/10 */
static int skip_3(int n){return (n%10) < 3;} /* 3/10 */
static int skip_4(int n){return (n%10) < 4;} /* 4/10 */
static int skip_5(int n){return (n%10) < 5;} /* 5/10 */
static int skip_6(int n){return (n%10) < 6;} /* 6/10 */
static int skip_7(int n){return (n%10) < 7;} /* 7/10 */
static int skip_8(int n){return (n%10) < 8;} /* 8/10 */
static int skip_9(int n){return (n%10) < 9;} /* 9/10 */
static int skip_a(int n){return (n%10) < 10;} /* 10/10, all */
int
main(int argc, char *argv[])
{
int i, j;
const int s = 1024 * 1024 * 10; /* 10M */
RVALUE *vals = (RVALUE *)calloc(sizeof(RVALUE), s);
int (*skip_func)(int);
if (argc < 2) {
exit(1);
}
skip_func = NULL;
switch (argv[1][0]) {
case '0':
skip_func = skip_0;
break;
case '1':
skip_func = skip_1;
break;
case '2':
skip_func = skip_2;
break;
case '3':
skip_func = skip_3;
break;
case '4':
skip_func = skip_4;
break;
case '5':
skip_func = skip_5;
break;
case '6':
skip_func = skip_6;
break;
case '7':
skip_func = skip_7;
break;
case '8':
skip_func = skip_8;
break;
case '9':
skip_func = skip_9;
break;
case 'a':
skip_func = skip_a;
break;
default:
fprintf(stderr, "unsupported: %s\n", argv[1]);
exit(1);
}
for (j=0; j<100; j++) {
for (i=0; i<s; i++) {
if (!(*skip_func)(i)) {
RVALUE *val = &vals[i];
if (val->flags) {
do_something_wrong(val);
}
}
}
}
}
0 を渡すと skip_0() が使われる。これは、必ず 0 を返すので、つまり skip しない。1 だと、10 回中 1 回 skip する。... 9 だと 10 回中 9 回スキップする。a だと、必ず 1 を返すので全部 skip する。
さて、実験結果を示す。
model name : Intel(R) Core(TM) i5-3380M CPU @ 2.90GHz
user system total real
0 0.000000 0.000000 3.200000 ( 3.213057)
1 0.000000 0.000000 3.980000 ( 3.988034)
2 0.000000 0.000000 4.690000 ( 4.680758)
3 0.000000 0.000000 5.370000 ( 5.374492)
4 0.000000 0.000000 6.730000 ( 6.750303)
5 0.000000 0.000000 7.080000 ( 7.078628)
6 0.000000 0.000000 6.940000 ( 6.946066)
7 0.000000 0.000000 6.210000 ( 6.216578)
8 0.000000 0.000000 8.360000 ( 8.358197)
9 0.000000 0.000000 5.480000 ( 5.483612)
a 0.010000 0.000000 1.970000 ( 1.965609)
model name : Intel(R) Core(TM) i7-6700 CPU @ 3.40GHz
user system total real
0 0.000000 0.000000 2.200000 ( 2.205095)
1 0.000000 0.000000 2.310000 ( 2.317280)
2 0.000000 0.000000 2.460000 ( 2.460013)
3 0.000000 0.000000 2.540000 ( 2.538290)
4 0.000000 0.000000 2.650000 ( 2.649510)
5 0.000000 0.000000 2.760000 ( 2.764821)
6 0.000000 0.000000 3.280000 ( 3.283949)
7 0.000000 0.000000 4.120000 ( 4.124645)
8 0.000000 0.000000 7.710000 ( 7.709284)
9 0.000000 0.000000 3.730000 ( 3.722011)
a 0.000000 0.000000 1.440000 ( 1.450049)
ラズパイ3
user system total real
0 0.000000 0.000000 5.100000 ( 5.119621)
1 0.000000 0.010000 5.660000 ( 5.661095)
2 0.000000 0.000000 5.930000 ( 5.938469)
3 0.000000 0.000000 6.430000 ( 6.439446)
4 0.000000 0.000000 6.360000 ( 6.391132)
5 0.000000 0.000000 5.840000 ( 5.852021)
6 0.000000 0.000000 5.660000 ( 5.674228)
7 0.000000 0.000000 6.890000 ( 6.894989)
8 0.000000 0.000000 7.550000 ( 7.564158)
9 0.000000 0.000000 6.390000 ( 6.446177)
a 0.000000 0.010000 3.310000 ( 3.308592)```
どれも、全部アクセスしたほうが速い（もちろん、全部スキップが一番速いが、それは比較対象ということで）。
i7-6700 を使って、perf を回してみる。
./a.out 1
Performance counter stats for './a.out 1':
2327.312108 task-clock (msec) # 1.000 CPUs utilized
3 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
754 page-faults # 0.324 K/sec
8,552,271,698 cycles # 3.675 GHz (30.39%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
25,136,427,035 instructions # 2.94 insns per cycle (38.13%)
5,154,158,059 branches # 2214.640 M/sec (38.29%)
23,945 branch-misses # 0.00% of all branches (38.86%)
1,964,678,774 L1-dcache-loads # 844.184 M/sec (38.97%)
667,506,576 L1-dcache-load-misses # 33.98% of all L1-dcache hits (38.94%)
27,388,843 LLC-loads # 11.768 M/sec (31.10%)
18,668,574 LLC-load-misses # 136.32% of all LL-cache hits (31.05%)
<not supported> L1-icache-loads
209,135 L1-icache-load-misses # 0.090 M/sec (30.99%)
1,995,968,384 dTLB-loads # 857.628 M/sec (30.94%)
517 dTLB-load-misses # 0.00% of all dTLB cache hits (30.78%)
108 iTLB-loads # 0.046 K/sec (30.60%)
56 iTLB-load-misses # 51.85% of all iTLB cache hits (30.43%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
2.327875472 seconds time elapsed
./a.out 2
Performance counter stats for './a.out 2':
2479.055604 task-clock (msec) # 1.000 CPUs utilized
2 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
753 page-faults # 0.304 K/sec
9,129,307,476 cycles # 3.683 GHz (30.37%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
24,642,643,947 instructions # 2.70 insns per cycle (38.56%)
4,996,575,860 branches # 2015.516 M/sec (38.66%)
24,533 branch-misses # 0.00% of all branches (38.76%)
1,863,534,823 L1-dcache-loads # 751.712 M/sec (38.86%)
665,528,308 L1-dcache-load-misses # 35.71% of all L1-dcache hits (38.96%)
30,044,469 LLC-loads # 12.119 M/sec (31.12%)
21,559,455 LLC-load-misses # 143.52% of all LL-cache hits (31.07%)
<not supported> L1-icache-loads
212,872 L1-icache-load-misses # 0.086 M/sec (31.02%)
1,893,886,927 dTLB-loads # 763.955 M/sec (30.95%)
971 dTLB-load-misses # 0.00% of all dTLB cache hits (30.78%)
376 iTLB-loads # 0.152 K/sec (30.62%)
39 iTLB-load-misses # 10.37% of all iTLB cache hits (30.46%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
2.479202848 seconds time elapsed
./a.out 3
Performance counter stats for './a.out 3':
2537.381335 task-clock (msec) # 1.000 CPUs utilized
4 context-switches # 0.002 K/sec
0 cpu-migrations # 0.000 K/sec
756 page-faults # 0.298 K/sec
9,356,138,785 cycles # 3.687 GHz (30.48%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
24,727,249,626 instructions # 2.64 insns per cycle (38.20%)
4,948,329,824 branches # 1950.172 M/sec (38.20%)
23,307 branch-misses # 0.00% of all branches (38.35%)
1,759,461,670 L1-dcache-loads # 693.416 M/sec (38.88%)
654,410,524 L1-dcache-load-misses # 37.19% of all L1-dcache hits (38.94%)
39,766,013 LLC-loads # 15.672 M/sec (31.10%)
30,325,538 LLC-load-misses # 152.52% of all LL-cache hits (31.05%)
<not supported> L1-icache-loads
189,102 L1-icache-load-misses # 0.075 M/sec (31.00%)
1,783,276,624 dTLB-loads # 702.802 M/sec (30.95%)
634 dTLB-load-misses # 0.00% of all dTLB cache hits (30.90%)
250 iTLB-loads # 0.099 K/sec (30.76%)
42 iTLB-load-misses # 16.80% of all iTLB cache hits (30.60%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
2.537501039 seconds time elapsed
./a.out 4
Performance counter stats for './a.out 4':
2653.688467 task-clock (msec) # 1.000 CPUs utilized
4 context-switches # 0.002 K/sec
0 cpu-migrations # 0.000 K/sec
755 page-faults # 0.285 K/sec
9,273,553,579 cycles # 3.495 GHz (30.81%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
24,463,594,085 instructions # 2.64 insns per cycle (38.50%)
4,833,049,097 branches # 1821.257 M/sec (38.50%)
38,561 branch-misses # 0.00% of all branches (38.50%)
1,669,552,121 L1-dcache-loads # 629.144 M/sec (38.50%)
621,956,935 L1-dcache-load-misses # 37.25% of all L1-dcache hits (38.47%)
54,474,331 LLC-loads # 20.528 M/sec (31.06%)
43,355,855 LLC-load-misses # 159.18% of all LL-cache hits (31.01%)
<not supported> L1-icache-loads
246,031 L1-icache-load-misses # 0.093 M/sec (30.96%)
1,677,351,049 dTLB-loads # 632.083 M/sec (30.92%)
515 dTLB-load-misses # 0.00% of all dTLB cache hits (30.87%)
483 iTLB-loads # 0.182 K/sec (30.82%)
3 iTLB-load-misses # 0.62% of all iTLB cache hits (30.78%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
2.653860646 seconds time elapsed
./a.out 5
Performance counter stats for './a.out 5':
2681.594573 task-clock (msec) # 1.000 CPUs utilized
2 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
753 page-faults # 0.281 K/sec
9,783,738,826 cycles # 3.648 GHz (30.81%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
24,068,897,294 instructions # 2.46 insns per cycle (38.59%)
4,699,861,998 branches # 1752.637 M/sec (38.68%)
25,116 branch-misses # 0.00% of all branches (38.77%)
1,560,676,047 L1-dcache-loads # 581.996 M/sec (38.86%)
572,066,365 L1-dcache-load-misses # 36.66% of all L1-dcache hits (38.90%)
63,843,875 LLC-loads # 23.808 M/sec (31.07%)
50,944,021 LLC-load-misses # 159.59% of all LL-cache hits (31.03%)
<not supported> L1-icache-loads
204,683 L1-icache-load-misses # 0.076 M/sec (30.88%)
1,578,661,520 dTLB-loads # 588.703 M/sec (30.73%)
814 dTLB-load-misses # 0.00% of all dTLB cache hits (30.58%)
292 iTLB-loads # 0.109 K/sec (30.43%)
16 iTLB-load-misses # 5.48% of all iTLB cache hits (30.43%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
2.681733196 seconds time elapsed
./a.out 6
Performance counter stats for './a.out 6':
3095.983614 task-clock (msec) # 1.000 CPUs utilized
3 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
753 page-faults # 0.243 K/sec
11,037,737,838 cycles # 3.565 GHz (30.86%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
23,859,344,685 instructions # 2.16 insns per cycle (38.62%)
4,597,358,232 branches # 1484.943 M/sec (38.70%)
27,811 branch-misses # 0.00% of all branches (38.78%)
1,457,689,889 L1-dcache-loads # 470.833 M/sec (38.86%)
476,795,783 L1-dcache-load-misses # 32.71% of all L1-dcache hits (38.81%)
63,475,064 LLC-loads # 20.502 M/sec (31.01%)
58,835,138 LLC-load-misses # 185.38% of all LL-cache hits (30.88%)
<not supported> L1-icache-loads
293,526 L1-icache-load-misses # 0.095 M/sec (30.76%)
1,477,587,652 dTLB-loads # 477.260 M/sec (30.63%)
1,026 dTLB-load-misses # 0.00% of all dTLB cache hits (30.50%)
3,463 iTLB-loads # 0.001 M/sec (30.49%)
6 iTLB-load-misses # 0.17% of all iTLB cache hits (30.77%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
3.096129522 seconds time elapsed
./a.out 7
Performance counter stats for './a.out 7':
3572.644866 task-clock (msec) # 1.000 CPUs utilized
3 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
754 page-faults # 0.211 K/sec
12,181,180,947 cycles # 3.410 GHz (30.56%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
23,623,060,110 instructions # 1.94 insns per cycle (38.59%)
4,486,955,892 branches # 1255.920 M/sec (38.66%)
28,584 branch-misses # 0.00% of all branches (38.73%)
1,353,500,319 L1-dcache-loads # 378.851 M/sec (38.80%)
407,229,242 L1-dcache-load-misses # 30.09% of all L1-dcache hits (38.77%)
81,939,252 LLC-loads # 22.935 M/sec (30.98%)
81,433,098 LLC-load-misses # 198.76% of all LL-cache hits (30.95%)
<not supported> L1-icache-loads
290,817 L1-icache-load-misses # 0.081 M/sec (30.91%)
1,370,395,850 dTLB-loads # 383.580 M/sec (30.82%)
755 dTLB-load-misses # 0.00% of all dTLB cache hits (30.71%)
1,023 iTLB-loads # 0.286 K/sec (30.60%)
72 iTLB-load-misses # 7.04% of all iTLB cache hits (30.49%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
3.572793663 seconds time elapsed
./a.out 8
Performance counter stats for './a.out 8':
7913.908840 task-clock (msec) # 1.000 CPUs utilized
4 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
754 page-faults # 0.095 K/sec
18,954,643,011 cycles # 2.395 GHz (30.79%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
23,582,079,752 instructions # 1.24 insns per cycle (38.51%)
4,421,746,574 branches # 558.731 M/sec (38.54%)
42,481 branch-misses # 0.00% of all branches (38.54%)
1,263,967,657 L1-dcache-loads # 159.715 M/sec (38.54%)
231,031,943 L1-dcache-load-misses # 18.28% of all L1-dcache hits (38.51%)
151,673,082 LLC-loads # 19.165 M/sec (30.74%)
147,241,641 LLC-load-misses # 194.16% of all LL-cache hits (30.85%)
<not supported> L1-icache-loads
603,917 L1-icache-load-misses # 0.076 M/sec (30.84%)
1,260,088,327 dTLB-loads # 159.225 M/sec (30.82%)
730 dTLB-load-misses # 0.00% of all dTLB cache hits (30.81%)
727 iTLB-loads # 0.092 K/sec (30.79%)
1,615 iTLB-load-misses # 222.15% of all iTLB cache hits (30.78%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
7.913997921 seconds time elapsed
./a.out 9
Performance counter stats for './a.out 9':
3641.973232 task-clock (msec) # 1.000 CPUs utilized
3 context-switches # 0.001 K/sec
0 cpu-migrations # 0.000 K/sec
752 page-faults # 0.206 K/sec
13,417,059,445 cycles # 3.684 GHz (30.81%)
<not supported> stalled-cycles-frontend
<not supported> stalled-cycles-backend
23,405,171,543 instructions # 1.74 insns per cycle (38.49%)
4,313,153,885 branches # 1184.290 M/sec (38.49%)
31,343 branch-misses # 0.00% of all branches (38.49%)
1,154,790,590 L1-dcache-loads # 317.078 M/sec (38.49%)
131,470,216 L1-dcache-load-misses # 11.38% of all L1-dcache hits (38.47%)
11,868,351 LLC-loads # 3.259 M/sec (30.98%)
11,264,153 LLC-load-misses # 189.82% of all LL-cache hits (30.95%)
<not supported> L1-icache-loads
322,708 L1-icache-load-misses # 0.089 M/sec (30.91%)
1,150,387,637 dTLB-loads # 315.869 M/sec (30.88%)
1,060 dTLB-load-misses # 0.00% of all dTLB cache hits (30.85%)
406 iTLB-loads # 0.111 K/sec (30.81%)
10 iTLB-load-misses # 2.46% of all iTLB cache hits (30.78%)
<not supported> L1-dcache-prefetches
<not supported> L1-dcache-prefetch-misses
3.642148586 seconds time elapsed
LLC で grep してみる（last level cache かと思ったら、naruse さんによると longest latency cache らしい）。
27,388,843 LLC-loads # 11.768 M/sec (31.10%)
18,668,574 LLC-load-misses # 136.32% of all LL-cache hits (31.05%)
30,044,469 LLC-loads # 12.119 M/sec (31.12%)
21,559,455 LLC-load-misses # 143.52% of all LL-cache hits (31.07%)
39,766,013 LLC-loads # 15.672 M/sec (31.10%)
30,325,538 LLC-load-misses # 152.52% of all LL-cache hits (31.05%)
54,474,331 LLC-loads # 20.528 M/sec (31.06%)
43,355,855 LLC-load-misses # 159.18% of all LL-cache hits (31.01%)
63,843,875 LLC-loads # 23.808 M/sec (31.07%)
50,944,021 LLC-load-misses # 159.59% of all LL-cache hits (31.03%)
63,475,064 LLC-loads # 20.502 M/sec (31.01%)
58,835,138 LLC-load-misses # 185.38% of all LL-cache hits (30.88%)
81,939,252 LLC-loads # 22.935 M/sec (30.98%)
81,433,098 LLC-load-misses # 198.76% of all LL-cache hits (30.95%)
151,673,082 LLC-loads # 19.165 M/sec (30.74%)
147,241,641 LLC-load-misses # 194.16% of all LL-cache hits (30.85%)
11,868,351 LLC-loads # 3.259 M/sec (30.98%)
11,264,153 LLC-load-misses # 189.82% of all LL-cache hits (30.95%)
どう見ても、LLC-load が増えてる。ミスも増えてる（ほとんどミスする）。
さて、これは一体なんでか。LLC の prefetch じゃないか、というのが仮説。
「インテル® 64 アーキテクチャーおよびIA-32 アーキテクチャー最適化リファレンス・マニュアル」を見ると、
ストリーマー：昇順および降順のアドレスシーケンスに対して、L1 キャッシュからの読み込み要求を監視する。監視される読み込み要求には、ロード操作とストア操作およびハードウェア・プリフェッチによって開始されたL1 D キャッシュ要求、およびコードフェッチに対するL1 命令キャッシュ要求が含まれる。前方または後方の要求ストリームが検出されると、予想されるキャッシュラインがプリフェッチされる。プリフェッチされる キャッシュラインは同じ4Kページになければならない。
とあるので、これが働くかどうかが勝負の分かれ目っぽい。
というわけで、とりあえずうまくいかないことがわかりました。
原田さんのビスケットをテキストでやるとどうなるかな、と思って、ちょっと書いてみた。
require 'pp'
class Cake
def initialize texts = [' ' * 80]
@texts = texts
@rules = []
end
def <<(rule)
@rules << rule
end
def kick
@texts = @texts.map{|text|
@rules.find{|rule|
obj = rule.apply(text)
# p [rule, text, obj]
break obj if obj
} || text
}
end
def start
while true
kick
pp @texts
STDOUT.flush
sleep 0.01
end
end
def insert text
@new_texts << text
end
class Rule
def apply text, cake
# do something
end
end
class GsubRule
def initialize pattern, replace
@pattern = pattern
@replace = replace
end
def apply text
if text.match? @pattern
text.gsub(@pattern){ @replace }
end
end
end
end
$cake = Cake.new(['> '])
def r pat, txt
$cake << Cake::GsubRule.new(pat, txt)
end
END{$cake.start}
# cake lang
r(/> / , ' >')
r(/>\z/ , '<')
r(/ </ , '< ')
r(/\A</ , '>')
実行結果：https://gyazo.com/233586655aedc3462da6455b471c3a9d
１次元しかマッチしないのでつまんないよね。
r(/ </ , '< ')
を
r / </ , '< '
こうすると Ruby のコンパイラに通らなくて悩んだ。割り算かー。。。
配列の前半に、削除したいデータがあるとする。例えば、ソートされた配列に対して、3 より小さいものは不要だな、という場合。普通に考えれば Enumerator#drop_while を使う。
ary = [1,2,3,4,5]
ary = ary.drop_while{|e|
e < 3
}
p ary #=> [3, 4, 5]
しかし、drop_while を思いつかなかった私は、Array#delete_if で消せばいいじゃん、と考えた。
ary = [1,2,3,4,5]
ary.delete_if{|e|
e < 3
}
p ary #=> [3, 4, 5]
ここで、ary が十分に長くて、消したい要素が最初の数個であるとわかっている場合、delete_if でブロックを全要素に適用するのは無駄である。
そこで、条件があたらなければ、break するのはどうか、と考えた。
ary = [1,2,3,4,5]
ary.delete_if{|e|
if e < 3
true
else
break
end
}
p ary #=> ?
さて、これは動くか。結論は動く。JRuby と MRI で確認した。
しかし、本当に動くのか？ これは Ruby として期待できる仕様なのか？ たまたまうまく動いているのではないか？ 例えば、先に全ブロックを適用した結果を集めておいて、最後に集めた結果を参照しながらまとめて削除、という仕様も考えられる。この場合、break で止めたら変更されない、といった実装も考えられる。
まつもとさんに聞いたら、「どっちでもいいよ」とのことで、どうやらこれが動くのはたまたまらしい。「依存したコードを書くほうがどうかと思うけど」とのこと。
でもさっき書いちゃった...。
手元の mswin64 ruby に openssl をついにインストールしたので、経緯をメモしておきます。
これまで、明確に openssl をインストールしてこなかったのは、インストールが面倒だったのもあるんですが、建前としては、openssl がない場合にちゃんとインストールができるか、動かせるか、というのがありました。
Ruby（MRI）では明確に必要なライブラリというものを明記していません。ただ、実質 rubygems を利用しようとすると openssl と zlib が必要になるので、ふつーは入れるよね、というものだと思います。そもそも、Windows の場合はインストーラでインストールすることが殆どでしょう。ただ、何らかの理由で自分でビルドしたい、ただ openssl や zlib を使わないような環境ではビルドしないような特異な例があるかもしれないかなぁ、と思って、とりあえず使い続けてきました（gem を入れないといけないことがなくて、困んなかったし、入れるときは linux virtual machine を使うし...）。
Ruby インタプリタ開発者だったら入れてテストしろよって声もありそうですが、Windows 以外ではやってるので、まぁいいかと（Windows で失敗してたら、多分それは私の手に負えなさそう）。
ただ、最近（数年？）のテストで、openssl もしくは zlib がないと失敗し、長大なログを吐くものがあり、それが邪魔だったので、意図を聞いたら、まぁないのは特殊だろう、ということになり、事実上、Ruby のビルドには openssl と zlib が必要なようです。やりたい人は、特殊な処理（例えば、当該テストのスキップを明示）が必要とのことでした。
特殊であることは意図していないので、（重い腰をあげて）openssl と zlib をビルドしてインストールしました。ぐぐったらバイナリ配布もあったので、それでも良かったかもしれないけど、正直、ちょっと不安だったのでソースから。
参考文献
どちらも参考になりますが、どちらも古いので、今回試した openssl 1.1.0e のビルドは、そのままでは進めませんでした。
zlib は簡単ですね。ビルドして出来たものを適当に置くだけです。.dll をパスが通る場所におきます。
openssl。長かった。ActivePerl をインストール（インストーラで）。nasm をインストール（http://www.nasm.us/ からダウンロードして置くだけ）。openssl のソースコードを https://www.openssl.org/source/openssl-1.1.0e.tar.gz からダウンロードしておくだけ（リンクは新しいものを使って下さい）。展開して、
$ perl Configure { VC-WIN32 | VC-WIN64A | VC-WIN64I | VC-CE } [opts]
$ nmake
$ nmake test
$ nmake install
と INSTALL に書いてある手順通りでやるだけ。今回 mswin64 用に作りたかったので、VC-WIN64A を選択（AMD だそうです。I は Itanium）。そういえば、nmake test はやってないや。
[ops] の部分に、--prefix と --openssl ディレクトリを指定しましょう。NOTE.win には
For VC-WIN64, the following defaults are use:
PREFIX: %ProgramW6432%\OpenSSL
OPENSSLDIR: %CommonProgramW6432%\SSL
となっています。私はよくわからないので適当なディレクトリを指定しました。
ビルドが終わると、[prefix]/bin に .dll が入っているので、これをパスの通るところにおきます（もしくは、ここにパスを通す）。
なるせさんの文章には
目当てのバイナリはout32dll\libeay32.dllとout32dll\ssleay32.dllです。
とありますが、見当たりません（ないことを Ruby コミッタ―の使う slack で言ったら、色々「だからおまえは駄目なんだ」みたいなことを言われた）。後述しますが、とりあえず動いたのでいいんでしょう。
次は、ruby のビルドです。
srcdir/win32/configure.bat --target=x64-mswin64 --with-zlib-lib=... --with-zlib-include=... --with-openssl-lib=... --with-openssl-include=...
と、パスを指定してあげます。あとはビルドするだけ。
と思ったら、openssl の拡張ライブラリがビルド出来ません。openssl/extconf.rb を見ると、crypto libeay32 のどちらかに CRYPTO_malloc があり、ssl ssleay32 の中に SSL_new がある、という仮定を置いているようですが、openssl の lib/ を見ると、libssl.lib と libcrypto.lib が置いてあります。頭に lib 付ければいいのかなと思って、
Index: ext/openssl/extconf.rb
===================================================================
--- ext/openssl/extconf.rb (revision 58739)
+++ ext/openssl/extconf.rb (working copy)
@@ -44,8 +44,8 @@
end
result = have_header("openssl/ssl.h")
- result &&= %w[crypto libeay32].any? {|lib| have_library(lib, "CRYPTO_malloc")}
- result &&= %w[ssl ssleay32].any? {|lib| have_library(lib, "SSL_new")}
+ result &&= %w[libcrypto].any? {|lib| have_library(lib, "CRYPTO_malloc")}
+ result &&= %w[libssl].any? {|lib| have_library(lib, "SSL_new")}
unless result
Logging::message "=== Checking for required stuff failed. ===\n"
Logging::message "Makefile wasn't created. Fix the errors above.\n"
こうしたら、無事ビルドが進みました。テストも、ほぼ通ったようです。（なお、https://svn.ruby-lang.org/cgi-bin/viewvc.cgi?view=revision&revision=58742 で、このパッチなしに通るようになったそうです）
これからは gem を手元の Windows マシン上で扱えると思うと胸熱です。
追記：上記オプションには --prefix がついてないので、色々アカン感じになったというオチ。
テストコメント。