Гонки данных, UB и счетчики в C++11

Следующий шаблон является обычным для многих программ, которые хотят сообщить пользователю, сколько раз они выполняли различные действия:

int num_times_done_it; // global

void doit() {
  ++num_times_done_it;
  // do something
}

void report_stats() {
  printf("called doit %i times\n", num_times_done_it);
  // and probably some other stuff too
}

К сожалению, если несколько потоков могут вызывать doit без какой-либо синхронизации, одновременное чтение-изменение-запись в num_times_done_it может быть гонкой данных, и, следовательно, поведение всей программы будет неопределенным. Кроме того, если report_stats может вызываться одновременно с doit при отсутствии какой-либо синхронизации, происходит еще одна гонка данных между потоком, изменяющим num_times_done_it, и потоком, сообщающим его значение.

Часто программист просто хочет получить в основном правильный подсчет количества вызовов doit с минимальными издержками.

(Если вы считаете этот пример тривиальным, Hogwild! набирает значительную скорость. Преимущество перед стохастическим градиентным спуском без гонки данных, использующим, по сути, этот трюк.Кроме того, я считаю, что JVM Hotspot выполняет именно такой незащищенный многопоточный доступ к общему счетчику для подсчета вызовов методов --- хотя это ясно, поскольку он генерирует ассемблерный код вместо C++11.)

Очевидные нерешения:

• Atomics, с любым порядком памяти, о котором я знаю, здесь терпит неудачу «как можно меньше накладных расходов» (атомарное приращение может быть значительно дороже, чем обычное приращение), в то же время передавая «в основном правильно» (будучи точно правильным).
• Я не верю, что добавление volatile в микс делает гонки данных приемлемыми, поэтому замена объявления num_times_done_it на volatile int num_times_done_it ничего не исправит.
• Есть неудобное решение — иметь отдельный счетчик для каждого потока и суммировать их все в report_stats, но это не решает проблему гонки данных между doit и report_stats. Кроме того, это беспорядочно, предполагается, что обновления являются ассоциативными, и на самом деле не соответствует использованию Hogwild!

Можно ли реализовать счетчики вызовов с четко определенной семантикой в ​​нетривиальной многопоточной программе на C++11 без какой-либо формы синхронизации?

EDIT: кажется, что мы можем сделать это косвенным образом, используя memory_order_relaxed:

atomic<int> num_times_done_it;
void doit() {
  num_times_done_it.store(1 + num_times_done_it.load(memory_order_relaxed),
                          memory_order_relaxed);
  // as before
}

Однако gcc 4.8.2 генерирует этот код на x86_64 (с -O3):

   0:   8b 05 00 00 00 00       mov    0x0(%rip),%eax
   6:   83 c0 01                add    $0x1,%eax
   9:   89 05 00 00 00 00       mov    %eax,0x0(%rip)

и clang 3.4 генерирует этот код на x86_64 (опять же с -O3):

   0:   8b 05 00 00 00 00       mov    0x0(%rip),%eax
   6:   ff c0                   inc    %eax
   8:   89 05 00 00 00 00       mov    %eax,0x0(%rip)

Насколько я понимаю x86-TSO, обе эти последовательности кода, за исключением прерываний и забавных флагов защиты страниц, полностью эквивалентны памяти с одной инструкцией inc и памяти с одной инструкцией add, сгенерированной прямым кодом. Является ли такое использование memory_order_relaxed гонкой данных?