x86 SIMD 指令 16 字节 alignment 汇编（没有 C 内在函数）

Question

假设我有一个长度未知的8 字节元素数组，从 memory 传递到我的程序集 function。 我想对其进行一些128 位SIMD 操作（最高 SSE4）。 memory 最好是 16 字节对齐的。 所以我会检查数组是否对齐，然后根据使用movaps或movups 。

我知道您可以通过以下方式检查 16 字节 alignment：

test dil, 0xf        ; rdi stores address of array

---

如果它不是 16 字节对齐的，那么检查它是否是 8 字节对齐是好的还是有用的，这意味着它是 8 的奇数倍？

test dil, 0x7           ; ZF=1 here after rdi&0xf !=0 implies rdi%16 == 8

如果这是真的，那么我应该对数组的第一个元素做一个额外的步骤，然后再movaps加载数组元素吗？ 否则我应该只使用像movups这样的未对齐操作吗？

它像这样工作吗？

Answer 1

如果您的 arrays通常由 16 对齐，则最好不要进行更多检查以查找奇数开始的情况，只需使用未对齐的版本，除非由于某种原因它更糟。

但是，如果它们通常按 8 对齐（但不知道它们是否按 16 对齐），那么您可能只需检查 alignment 8 并无分支地处理对齐情况下可能未对齐的第一次迭代，见下文。 （否则就退回到您完全未对齐的情况。）

如果重叠不是问题（例如 c[] = a[]+b[]，或类似 memset 的存储或其他），一个好的技术是始终使用未对齐的加载/存储执行第一个向量，然后前进到第一个对齐的向量（ add rdi, 16 / and rdi, -16 ）。 如果输入是对齐的，则不会重叠。 否则，它会部分重叠，并且存储缓冲区 + L1d 缓存会有效地处理它。

这使得对齐案例的成本最小，并避免了分支错误预测的机会。

将指针向上/向下舍入到 alignment 边界很便宜，只是一个and ，但你确实有剥离整个循环体副本的代码大小成本。 因此，就启动开销而言，它并不是完全免费的，但至少这种启动开销可以与数据中的缓存未命中重叠。

---

但请注意，许多 SIMD 函数具有多个指针输入，这些指针输入可能相互错位。 在这种情况下，标准建议是对齐 output 并继续使用movups作为输入。 虽然如果前端是瓶颈，您可能会选择达到输入的 alignment 边界，以便您可以将 memory 源操作数折叠成 ALU 指令，如xorps xmm0, [rdi]并使用movups存储。

但是，如果前端以外的任何东西（例如缓存或 memory 吞吐量）是瓶颈，那么您通常需要对齐目标。 英特尔的优化手册对此有一些建议。 部分原因是负载吞吐量通常是存储吞吐量的 2 倍（直到 IceLake），因此负载硬件更容易吸收拆分负载的额外工作。 此外，使用较少的存储存储完整的缓存行可以帮助减少行被驱逐（写回）但随后您再次存储到它并且它必须被获取+弄脏并最终再次写回的情况，而不仅仅是获取。