C 在x64处理器上，字对齐加载是否比未对齐加载快？

在x86/64（Intel/AMD 64位）处理器上对齐的变量加载速度是否比未对齐的加载速度快

我的一位同事认为，未对齐的负载速度很慢，应该避免。他引用了在结构中对单词边界填充项来证明未对齐的加载是缓慢的。例如：

struct A {
  char a;
  uint64_t b;
};

结构的大小通常为16字节

另一方面，Snappy假设“未对齐的32位和64位加载和存储是便宜的”。根据源代码，这适用于英特尔32位和64位处理器

---

那么：这里的真相是什么？如果未对齐的负载慢了多少？在哪种情况下？

对齐的加载速度更快，cleanly的两个摘录指出了这一点：

3.6优化内存访问

对齐数据，注意数据布局和堆栈对齐

对齐和转发问题是最常见的问题来源之一 基于英特尔NetBurst微体系结构的处理器上的大延迟

及

3.6.4对准

数据对齐涉及各种变量：

•动态分配的变量

•数据结构的成员

•全局或局部变量

•在堆栈上传递的参数

未对齐数据 访问可能会导致严重的性能损失。这是 对于缓存线拆分尤其如此

在3.6.4中的这一部分之后，编译器开发人员有一个很好的规则：

汇编/编译器编码规则45。（H影响，H一般性）在 自然操作数大小地址边界。如果数据将通过vector访问 指令加载和存储，在16字节边界上对齐数据

然后是对齐规则列表和3.6.6中的另一个gem

用户/信源编码规则6。（H冲击，M）焊盘数据 在源代码中定义的结构，以便每个数据元素 与自然操作数大小地址边界对齐

---

这两条规则都被标记为“高影响”，这意味着它们可以极大地改变性能。在第3.6节的其余部分中，除了摘录之外，还包含了自然调整数据的其他原因。任何开发人员都值得花时间阅读这些手册，哪怕只是为了了解他/她正在使用的硬件。

我在互联网上找到的一个随机的家伙说，对于486来说，对齐的32位访问需要一个周期。跨四边形但位于同一缓存线内的未对齐32位访问需要四个周期。跨多个缓存线的未对齐etc可能需要额外的6到12个周期

根据定义，一个未对齐的访问需要访问多个四边形内存，对此我一点也不感到惊讶。我可以想象，在现代处理器上更好的缓存性能会使成本稍微降低一些，但这仍然是需要避免的

（顺便说一句，如果您的代码有任何可移植性的自诩……ia32及其子代几乎是唯一支持未对齐访问的现代体系结构。例如，ARM可能会在引发异常、在软件中模拟访问或只是加载错误的值之间产生很大的差异，具体取决于操作系统！）

---

最新消息：这里有人真的去了。在他的硬件上，他认为未对齐的访问速度是对齐速度的一半。自己去试试吧……

要修复未对齐的读取，处理器需要进行两次对齐读取并修复结果。这比必须进行一次读取而不进行修复要慢

Snappy代码有利用未对齐访问的特殊原因。它将在x86_64上工作；它在未对齐访问不是选项的体系结构上不起作用，而在修复未对齐访问是一个系统调用或类似的昂贵操作的情况下，它将缓慢地起作用。（在DEC Alpha上，有一种机制大约相当于用于修复未对齐访问的系统调用，您必须为您的程序打开它。）

---

使用未对齐的访问是Snappy作者做出的明智决定。这并不意味着每个人都应该效仿它。例如，如果编译器编写者在默认情况下使用代码，他们会因为代码性能差而受到谴责。

不应使用未对齐的加载/存储，但原因不是性能。原因是C语言禁止它们（通过对齐规则和别名规则），并且如果没有非常慢的仿真代码，它们在许多系统上都无法工作——这些代码也可能破坏多线程代码正确行为所需的C11内存模型，除非它是在完全逐字节的级别上完成的

---

对于x86和x86_64，对于大多数操作（某些SSE指令除外），允许未对齐的加载和存储，但这并不意味着它们的访问速度与正确的访问速度一样快。这只是意味着CPU为您进行模拟，并且比您自己能够更有效地进行模拟。例如，执行字大小未对齐读取和写入的

memcpy

类型循环将比执行对齐访问的相同

memcpy

稍慢，但也比编写自己的逐字节复制循环快。

未对齐32位和64位访问并不便宜

我做了测试来验证这一点。我在Core i5 M460（64位）上的结果如下：最快的整数类型是32位宽。64位对齐稍慢，但几乎相同。16位对齐和8位对齐都明显慢于32位和64位对齐。16位比8位对齐慢。到目前为止，最慢的访问形式是非对齐32位访问，比对齐32位访问慢3.5倍（速度最快），而未对齐32位访问甚至比未对齐64位访问慢40%

结果: 源代码：

默认结构packi