[英]How can I use SIMD to accelerate XOR two blocks of memory?
我想尽快对两个内存块进行异或,如何使用 SIMD 来加速它?
我的原始代码如下:
void region_xor_w64( unsigned char *r1, /* Region 1 */
unsigned char *r2, /* Region 2 */
int nbytes) /* Number of bytes in region */
{
uint64_t *l1;
uint64_t *l2;
uint64_t *ltop;
unsigned char *ctop;
ctop = r1 + nbytes;
ltop = (uint64_t *) ctop;
l1 = (uint64_t *) r1;
l2 = (uint64_t *) r2;
while (l1 < ltop) {
*l2 = ((*l1) ^ (*l2));
l1++;
l2++;
}
}
我自己写了一个,但速度没有提高。
void region_xor_sse( unsigned char* dst,
unsigned char* src,
int block_size){
const __m128i* wrd_ptr = (__m128i*)src;
const __m128i* wrd_end = (__m128i*)(src+block_size);
__m128i* dst_ptr = (__m128i*)dst;
do{
__m128i xmm1 = _mm_load_si128(wrd_ptr);
__m128i xmm2 = _mm_load_si128(dst_ptr);
xmm2 = _mm_xor_si128(xmm1, xmm2);
_mm_store_si128(dst_ptr, xmm2);
++dst_ptr;
++wrd_ptr;
}while(wrd_ptr < wrd_end);
}
更重要的问题是您为什么要手动执行此操作。 你有一个古老的编译器,你认为你可以智胜吗? 那些不得不手动编写 SIMD 指令的美好时光已经结束。 今天,在 99% 的情况下,编译器会为你完成这项工作,而且很有可能比它做得更好。 另外,不要忘记每隔一段时间就会出现新的架构,并带有越来越多的扩展指令集。 所以问自己一个问题——你想为每个平台维护 N 个实现副本吗? 您想不断测试您的实现以确保它值得维护吗? 答案很可能是否定的。
您唯一需要做的就是编写尽可能简单的代码。 编译器会做剩下的。 例如,以下是我将如何编写您的函数:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int len)
{
unsigned int i;
for (i = 0; i < len; ++i)
r2[i] = r1[i] ^ r2[i];
}
简单一点,不是吗? 猜猜看,编译器正在生成使用MOVDQU
和PXOR
执行 128 位异或的代码,关键路径如下所示:
4008a0: f3 0f 6f 04 06 movdqu xmm0,XMMWORD PTR [rsi+rax*1]
4008a5: 41 83 c0 01 add r8d,0x1
4008a9: f3 0f 6f 0c 07 movdqu xmm1,XMMWORD PTR [rdi+rax*1]
4008ae: 66 0f ef c1 pxor xmm0,xmm1
4008b2: f3 0f 7f 04 06 movdqu XMMWORD PTR [rsi+rax*1],xmm0
4008b7: 48 83 c0 10 add rax,0x10
4008bb: 45 39 c1 cmp r9d,r8d
4008be: 77 e0 ja 4008a0 <region_xor_w64+0x40>
正如@Mysticial 指出的那样,上面的代码正在使用支持未对齐访问的指令。 那些比较慢。 但是,如果程序员可以正确地假设对齐访问,则可以让编译器知道它。 例如:
void region_xor_w64(unsigned char * restrict r1,
unsigned char * restrict r2,
unsigned int len)
{
unsigned char * restrict p1 = __builtin_assume_aligned(r1, 16);
unsigned char * restrict p2 = __builtin_assume_aligned(r2, 16);
unsigned int i;
for (i = 0; i < len; ++i)
p2[i] = p1[i] ^ p2[i];
}
编译器为上述 C 代码生成以下内容(注意movdqa
):
400880: 66 0f 6f 04 06 movdqa xmm0,XMMWORD PTR [rsi+rax*1]
400885: 41 83 c0 01 add r8d,0x1
400889: 66 0f ef 04 07 pxor xmm0,XMMWORD PTR [rdi+rax*1]
40088e: 66 0f 7f 04 06 movdqa XMMWORD PTR [rsi+rax*1],xmm0
400893: 48 83 c0 10 add rax,0x10
400897: 45 39 c1 cmp r9d,r8d
40089a: 77 e4 ja 400880 <region_xor_w64+0x20>
明天,当我给自己买一台配备 Haswell CPU 的笔记本电脑时,编译器会为我生成一个代码,该代码使用 256 位指令而不是来自相同代码的 128 位指令,从而使我的向量性能提高一倍。 即使我不知道 Haswell 有能力,它也会这样做。 您不仅必须了解该功能,还必须编写另一个版本的代码并花一些时间对其进行测试。
顺便说一下,您的实现中似乎也有一个错误,其中代码最多可以跳过数据向量中剩余的 3 个字节。
无论如何,我建议您信任您的编译器并学习如何验证生成的内容(即熟悉objdump
)。 下一个选择是更改编译器。 然后才开始考虑手动编写向量处理指令。 否则你会过得很糟糕!
希望能帮助到你。 祝你好运!
由于区域的大小是按值传递的,为什么代码不是:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
r2[i] = r1[i] ^ r2[i];
}
甚至:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
r2[i] ^= r1[i];
}
如果倾向于前进(“向上内存”)和使用指针,则:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
*r2++ ^= *r1++;
}
好吧,如果intel宁愿向前走,而宁愿使用指针操作而不是索引,那么:
void region_xor_w64(unsigned char *r1, unsigned char *r2, unsigned int i)
{
while (i--)
*r2++ ^= *r1++;
}
麦克风
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.