Assembly XMM或YMM寄存器中的反向字节顺序？

假设我想反转一个非常大的字节数组的字节顺序。我可以使用主寄存器以缓慢的方式完成这项工作，但我希望使用XMM或YMM寄存器来加快速度

---

是否有办法反转XMM或YMM寄存器中的字节顺序？

是的，使用SSSE3

\u mm\u shuffle\u epi8

或AVX2

\u mm256\u shuffle\u epi8

在16字节AVX2“通道”内对字节进行无序排列。根据随机播放控制向量，可以交换字节对、反转4字节单位或反转8字节单位。或者反转所有16个字节

但是

vpshufb

不是车道交叉，所以在AVX512VBMI

vpermb

之前，不能用一条指令反转32字节

vpshufb ymm

在ymm向量的两个128位通道中执行2次16字节的随机移位

因此，如果要对整个数组进行字节反转，而不是对数组中单个元素的endianness/字节顺序进行反转，则有3个选项：

• 坚持使用128位向量（简单且可移植，在当前CPU上可能不会较慢）。只需16字节对齐即可获得最佳性能
• 加载

  vmovdqu

  /

  vinsert128

  ，然后

  vpshufb

  然后存储32字节。（或者进行32字节加载和拆分16字节存储，但这可能没有那么好）。将缓存阻止的字节aarray reverse包含到tmp缓冲区中，以8kiB块的形式提供

  fwrite

• 使用

  vpermq

  在

  vpshufb

  之前或之后进行通道交换（在AMD上不是很好，在当前Intel上每时钟1次洗牌吞吐量存在瓶颈）。但在冰湖上可能非常好（2个洗牌端口）

---

vpshufb

在Intel上是一条uop指令，在AMD上是2条，一次处理32字节的数据

对于非常大的输入，在向量化循环之前达到32或64字节的对齐边界可能是值得的，因此没有任何加载/存储跨越缓存线边界。（对于较小的输入，次要的好处不值得额外的开场白/尾声代码和分支。）

---

但可能更好的方法是在使用16kiB块之前只交换它，这样当下一步读取它时，它在L1d缓存中仍然是热的。这称为缓存阻塞。或者可能使用128kiB块来阻止二级缓存大小

当您从文件中读取数据时，可以进行块交换。e、 g.在内核将数据从pagecache复制到用户空间缓冲区后，以64k或128k的数据块执行

read（）

系统调用，并在缓存中仍处于热状态时交换结果。或者使用

mmap

对文件进行内存映射，并从中运行复制和交换循环。（或者对于私有映射，使用就地交换；但这将触发写时复制，因此没有多大好处。Linux上的文件支持mmap不能使用匿名hugepages）

另一种选择是，如果您只读取了几次数据，那么只需动态交换数据；如果以后的使用仍然是内存受限的，或者没有瓶颈就有空间进行shuffle uop，那么它可能不会让它们在运行时慢下来

一个涉及所有数据且仅进行字节交换的过程，其计算强度非常低；当数据在寄存器中时，或者至少当数据在缓存中处于热状态时，您希望对其进行更多操作。但是，如果只交换一次字节，然后多次读取数据，或者以随机访问模式，或者从另一种无法在运行中高效交换的语言（如Python或JavaScript）读取数据，那么一定要执行交换过程

或者，如果您要在其上进行多个没有内存限制的传递，则交换传递很有帮助，并且额外的洗牌会降低以后每次传递的速度。在这种情况下，您确实希望缓存阻止交换，以便稍后的过程的输入在缓存中是热的

---

标量选项bswap，每个时钟周期最多限制为8个字节，并且每8个字节需要一个单独的加载和存储指令。（

movbe

通过字节交换从内存加载保存了一条指令，但在主流CPU上并没有微融合到一个加载+交换uop中。不过在Silvermont上它是一个uop。）此外，Intel

bswap r64

是2个uop，所以它不是很好

这可能会使现代CPU上的单线程内存带宽因某些循环展开而饱和，但SIMD处理相同数据的总UOP数较少，因此可以让无序执行“看”得更远，并更快地开始处理即将到来的页面的TLB未命中。HW数据预取和TLB预取确实有很大帮助，但对于

memcpy

，使用更广泛的加载/存储通常至少稍微好一点

（

vpshufb

足够便宜，基本上仍能像

memcpy

一样运行。如果重写到位，效果会更好。）

---

当然，如果你有任何缓存命中率，即使只是三级缓存，SIMD也会大放异彩。

我无法与传奇人物彼得·科德斯竞争。。。我想展示C语言的实现

下面是使用C内部函数反转字节顺序的示例（可用于对整个数组进行字节反转）

有3个代码示例

使用SSE2指令集

使用SSSE3指令集

使用AVX2指令集

---

//使用uint8值0到15初始化XMM寄存器（用于测试）：
__m128i a_F_E_D_C_a_9_8_7_6_5_4_3_2_1_0=_mm_集_epi8（15,14,13,12,11,10,9,8,7,6,5,4,3,2,1,0）；
//SSE2：
//优点：无需构建洗牌蒙版（对于非常短的循环非常有效）。
//////////////////////////////////////////////////////////////////////////
//uint32的相反顺序：
__m128i a_3_2_1_0_7_6_4_B_a_9_8_E_D_C=_mm_shuffle_epi32（a_F_E_D_C_B_9_7_6_5_4_3_2_1_0，_mm_shuffle（0，1，2，3））；
//uint16的交换对：
__m128i a_1_0_3_2_5_4_6_9_8_B_a_D_C_E=_mm_shuflehi_epi16（_mm_shuflelo_epi16）（a_3_2_1_0 7_6_5_4_B_a_9_8_E_D C），_mm_shufleo（2，0，1，0，1），mm