如何确定x86-64程序集中是否输入了一个16字节对齐地址的循环？

Question

我是x86-64的初学者，尤其是在性能优化方面，我正在尝试变得更好。

我已经阅读了agner's optimization manual volume 2的各个部分。反复指出，进入16字节对齐的关键热点/循环非常重要。现在，我很难弄清楚循环中的条目是否对齐16字节。

您是否应该将循环入口之前子例程中每条指令的字节开销加起来，看看它是否可以除以16？我已咨询了x86-64的英特尔开发人员手册，但无法读取其中哪些指令具有哪些字节长度的信息。指令的字节大小是否只是将操作码加在一起？因此，对于带有操作码REX.W + 8C的MOV r64 / m16，大小为2个字节吗？ （一个用于REX.W前缀，一个用于8C）。

考虑以下代码，假设某些字符串作为参数传递给rdi，该参数将在.LmanipulationLoop中进行操作：

string_fun:
   cmp cl, byte ptr [rdi]
   jz .Lend
   xor rcx, rcx

.LmanipulationLoop
  *some string operation*

.Lend
  ret

所以基于我目前的理解：

• cmp cl，字节ptr [rdi]，为此的操作码是0x38（CMP r / m8，r8），所以1个字节
• jz .Lend，为此，操作码为0x0F 84（jz rel32），所以2个字节（我不确定这是正确的操作码）
• xor rcx，rcx，操作码是REX.W + 0x33（xor r64，r / m64）所以2个字节

总共（假设我是对的）5个字节。现在这是否意味着我需要在.LmanipulationLoop之前需要11个NOP才能确保对齐进入循环？

Answer 1

[您不需要需要手动执行此操作，汇编程序可以为您执行此操作。仅当您希望比仅使用NOP填充以在对齐后立即对齐时更聪明时，手动计算才有用。插入填充的位置。

通常，在标签前使用.p2align 4（GAS）或.p2align 4（NASM ¹）可使汇编器确定需要多少填充，并发出一个或多个长的NOP。 （不是11个单字节NOP，那会很糟糕，因为它们每个人都必须分别解码）。

和/或使用调试器或反汇编器检查标签地址，而不是手动计算，如果您的目标是[C0

如果要尽量减少所需的NOP数量，了解有关哪些指令的长度是很有用的，但是在这种情况下，可以通过反复试验来找到一个好的指令序列，从而使您无需最长时间的NOP。

在具有uop缓存的CPU上不一定总是需要对齐循环顶部

通常真正重要的是uop缓存行的32字节边界。对于具有循环缓冲区的CPU上的大多数小循环来说，还是根本没有（但是请注意，通过微码更新禁用了Skylake / Kaby Lake的LSD以修复错误）。如果避免从uop缓存中获取前端瓶颈，则非常关键的循环的顶部的32字节对齐可能会很有用。或者对于每个循环可以运行1个周期的微小循环，将整个循环放在同一uop缓存行中是必不可少的（否则前端每次迭代需要两个循环来获取它）。

不幸的是，Skylake派生CPU上的循环对齐的主要问题是对齐循环的bottom以解决性能隐患 align 16。

---

简单对齐示例：

我修复了您源代码中的错误（标签后缺少What methods can be used to efficiently extend instruction length on modern x86?，以及使用32位操作数大小对RCX进行零运算的性能错误）。尽管在这种情况下，您可能想要a jcc or macro-fused compare+branch that touches a 32-byte boundary disables the uop cache for that line只是为了使其更长一些，因为您知道需要一些NOP字节。 jcc会更好，而不是:。

并且我用SIMD加载填充了占位符。

xor rcx,rcx

与REX.W=0或hurt performance on Silvermont组装。

.intel_syntax noprefix
.p2align 4                  # align the top of the function
string_fun:
   cmp cl, byte ptr [rdi]
   jz .Lend
   xor ecx, ecx             # zeroing ECX implicitly zero-extends into RCX, saving a REX prefix
   lea rsi, [rdi + 1024]    # end pointer

# .p2align 4                # emit padding until a 2^4 boundary
.LmanipulationLoop:           # do {
   movdqu  xmm0, [rdi]
      # Do something like pcmpeqb / pmovmskb with the string bytes ...
   add    rdi, 16
   cmp    rdi, rsi
   jb    .LmanipulationLoop   # }while(p < endp);

.Lend:
  ret

使gcc -Wa,--keep-locals -c foo.S标签在目标文件的符号表中可见。

然后用as --keep-locals foo.s拆解：

--keep-locals

或者不带.L的注释，汇编器将发出一个3字节的NOP：

objdump -drwC -Mintel foo.o

反汇编

0000000000000000 <string_fun>:
   0:   3a 0f                   cmp    cl,BYTE PTR [rdi]
   2:   74 16                   je     1a <.Lend>
   4:   31 c9                   xor    ecx,ecx
   6:   48 8d b7 00 04 00 00    lea    rsi,[rdi+0x400]
     # note address of this label, 
     # or without --keep-locals, of the instruction that you know is the loop top
000000000000000d <.LmanipulationLoop>:
   d:   f3 0f 6f 07             movdqu xmm0,XMMWORD PTR [rdi]
  11:   48 83 c7 10             add    rdi,0x10
  15:   48 39 f7                cmp    rdi,rsi
  18:   72 f3                   jb     d <.LmanipulationLoop>       # note the jump target address

000000000000001a <.Lend>:
  1a:   c3                      ret    

目标文件不会显示调用外部函数的合理地址；它尚未链接，因此尚未填充rel32位移。但是.p2align 4将显示重定位信息。并在汇编时完全解决了源文件中的跳转问题。

---

脚注1：请注意，NASM的默认设置很差，您需要类似的方法来获取长的NOP，而不是多个单字节NOP：

0000000000000000 <string_fun>:
   0:   3a 0f                   cmp    cl,BYTE PTR [rdi]
   2:   74 19                   je     1d <.Lend>
   4:   31 c9                   xor    ecx,ecx
   6:   48 8d b7 00 04 00 00    lea    rsi,[rdi+0x400]
   d:   0f 1f 00                nop    DWORD PTR [rax]         # This is new, note that it's *before* the jump target

0000000000000010 <.LmanipulationLoop>:
  10:   f3 0f 6f 07             movdqu xmm0,XMMWORD PTR [rdi]
  14:   48 83 c7 10             add    rdi,0x10
  18:   48 39 f7                cmp    rdi,rsi
  1b:   72 f3                   jb     10 <.LmanipulationLoop>

000000000000001d <.Lend>:
  1d:   c3                      ret