Assembly 为什么具有内存操作数的vpclmulqdq比movdqa+；pclmulqdq？

vpclmulqdq

指令有四个操作数，

pclmulqdq

有三个操作数，所以我认为可以用

vpclmulqdq

代替

movdqa+pclmulqdq

，但是实验结果变慢了

但是当我使用

vpaddd

而不是

movdqa+paddd

时，我得到的结果更快。所以我对这个问题感到困惑。代码使用如下指令：

movdqa %xmm0, %xmm8          # slower
movdqa %xmm0, %xmm9
movdqa %xmm0, %xmm10
movdqa %xmm0, %xmm11
paddd (ONE),  %xmm8
paddd (TWO),  %xmm9
paddd (THREE),  %xmm10
paddd (FOUR),  %xmm11

vpaddd (ONE), %xmm0, %xmm8   # faster
vpaddd (TWO), %xmm0, %xmm9
vpaddd (THREE), %xmm0, %xmm10
vpaddd (FOUR), %xmm0, %xmm11

pxor (%rdi), %xmm8     # would segfault from misaligned %rdi
pxor 16(%rdi), %xmm9
pxor 32(%rdi), %xmm10
pxor 48(%rdi), %xmm11

该代码使用pclmulqdq指令，如：

movdqa %xmm15, %xmm1               # faster
pclmulqdq $0x00, (%rbp), %xmm1
aesenc 16(%r15), %xmm8
aesenc 16(%r15), %xmm9
aesenc 16(%r15), %xmm10
aesenc 16(%r15), %xmm11
movdqa %xmm14, %xmm3
pclmulqdq $0x00, 16(%rbp), %xmm3
aesenc 32(%r15), %xmm8
aesenc 32(%r15), %xmm9
aesenc 32(%r15), %xmm10
aesenc 32(%r15), %xmm11

vpclmulqdq $0x00, (%rbp), %xmm15, %xmm1   # slower
aesenc 16(%r15), %xmm8
aesenc 16(%r15), %xmm9
aesenc 16(%r15), %xmm10
aesenc 16(%r15), %xmm11
vpclmulqdq $0x00, 16(%rbp), %xmm14, %xmm3
aesenc 32(%r15), %xmm8
aesenc 32(%r15), %xmm9
aesenc 32(%r15), %xmm10
aesenc 32(%r15), %xmm11

---

其他问题：当我使用未对齐的数据时，如何编写类似于

pxor（%rdi），%xmm0

？（编者按：从标题中删除，因为除了对齐循环主要部分的指针之外，没有更好的答案。）

我的数据有16位（2字节）对齐。但有时我需要加载数据，然后执行xor操作。所以我不能写这样的代码：

movdqa %xmm0, %xmm8          # slower
movdqa %xmm0, %xmm9
movdqa %xmm0, %xmm10
movdqa %xmm0, %xmm11
paddd (ONE),  %xmm8
paddd (TWO),  %xmm9
paddd (THREE),  %xmm10
paddd (FOUR),  %xmm11

vpaddd (ONE), %xmm0, %xmm8   # faster
vpaddd (TWO), %xmm0, %xmm9
vpaddd (THREE), %xmm0, %xmm10
vpaddd (FOUR), %xmm0, %xmm11

pxor (%rdi), %xmm8     # would segfault from misaligned %rdi
pxor 16(%rdi), %xmm9
pxor 32(%rdi), %xmm10
pxor 48(%rdi), %xmm11

我更改了我的代码，现在代码是正确的，但是我认为可能效率不是很高，所以我应该怎么做

movdqu (%rdi), %xmm0
movdqu 16(%rdi), %xmm13
movdqu 32(%rdi), %xmm14
movdqu 48(%rdi), %xmm15

pxor %xmm0, %xmm8
pxor %xmm13, %xmm9
pxor %xmm14, %xmm10
pxor %xmm15, %xmm11

---

你在用什么硬件？对于load+ALU的微融合，不同的CPU具有不同的行为。在Haswell和更高版本上，pclmul不能对负载进行微熔断；它作为一个额外的uop进行解码。在IvB和更早版本上，它被微编码为18 UOP。re：第二部分：没有AVX，对于前端瓶颈，即需要一个单独的

movdqu

和未对齐的数据，实际上没有任何解决办法。你能用标量（或未对齐的向量）进行前几次迭代，以便指针在循环中对齐吗？或者你能将数据对齐到16字节而不是16位（2字节）吗？这实际上是两个独立的问题，这是不受欢迎的：。但对于第二部分，请参阅以了解一些讨论。就像我说的，理想情况下，第一个部分向量不对齐，然后在主部分对齐，最后再不对齐。如果您使用的是Intel CPU，那么您可能会在所有2-uop

aes

指令中遇到uop缓存问题，并且两条单独的指令会将这些uop分散到更多的代码大小上？IDK，不太可能。您需要使用性能计数器进行进一步调查。查看您遇到的瓶颈类型。例如，我的答案显示使用

perf

计算周期和UOP来演示mov消除。也相关。特别是在中查看其他链接，但要注意，有一些微妙的事情他没有为Haswell和以后提到。