Optimization 用cuda优化rc4

我尝试在cuda中实现一个高效的rc4密码算法。我使用共享内存来存储内部排列状态，通过在warp中进行并行线程访问来处理倾斜内存布局，以减少时间开销。我还试图利用具有“I”索引的读/写访问是连续的并且可以打包在32位字中这一事实来最小化访问数量。最后，我使用常量内存初始化置换状态

尽管有这些“聪明”的诀窍，但我可以期望实现的吞吐量仅为最佳报告实现的50%左右（例如，请参阅guapdf cracker），即使考虑到主机和gpu之间的未阻塞通信可以用于部分覆盖计算。我不明白为什么，我正在寻找新的改进想法或对我本可以做出的错误假设的评论

这里是我的KSA（密钥设置）内核的一个玩具实现，密钥减少到4个字节

\uuuuu常量\uuuuuu无符号整数c\u init[256*32/4]；
__全局无效rc4Block（无符号整数*d_输出，无符号整数*d_输入）
{
__共享的无符号整数s_数据[256*32/4]；
int inOffset=blockDim.x*blockIdx.x；
int in=inOffset+threadIdx.x；
无符号整数键，u；
//初始化
key=d_in[in]；
对于（int i=0；i>8）&0xFF；
无符号字符k2=（键>>8）&0xFF；
无符号字符k3=（键>>8）&0xFF；
对于（int i=0；i>shiftj）&0xff；
si=（si&0xffffff00）| v；
sj=（sj&~（0xffu8）&0xff；
j=（j+k1+u）&0xFF；
sj=s_数据[（j/4）*32+threadIdx.x]；
位移j=8*（j%4）；
v=（sj>>shiftj）&0xff；
si=（si&0xffff00ff）|（v shiftj）&0xff；
si=（si&0xff00ffff）|（v移位）和0xff；
si=（si&0xffffff）|（v代码似乎至少部分涉及对字节的重新排序。如果您使用的是费米类GPU，您可以研究使用u byte_perm（）内在函数，该函数映射到费米类设备上的硬件指令，并允许更有效地对字节重新排序

我假设，与其他实现相比，它是苹果对苹果的，即在同一类型的GPU上。此代码看起来完全受计算限制，因此吞吐量在很大程度上取决于GPU的整数指令吞吐量，并且性能范围很广。
似乎代码至少部分涉及字节重新排序。如果y如果您使用的是费米类GPU，您可以研究使用_byte_perm（）内在函数，该函数映射到费米类设备上的硬件指令，并允许更有效地重新排序字节

我假设，与其他实现相比，它是苹果对苹果的，即在同一类型的GPU上。这段代码看起来完全受计算限制，因此吞吐量在很大程度上取决于GPU的整数指令吞吐量，而且性能范围很广。
实际上，我是在旧的“特斯拉”体系结构下工作的，所以ntrinsic（知道这一点似乎很好）无法使用。我使用相同的gpu卡进行的基准计时确认了我的性能比较。我在Schneier中查找了RC4，它是一种面向字节的算法，使用由256个单字节条目组成的SBOX。您的代码似乎一次访问一个字的字节数组，并动态提取和插入字节。这些提取/插入在这个受计算限制的任务中，异常操作似乎占据了整个执行时间的很大一部分。您是否考虑过将每个SBOX元素存储在一个字中，只在写每个SBOX条目时屏蔽到最低有效字节？此外，尝试通过字符数组而不是字数组使用输入数据。实际上，我正在工作在较旧的“特斯拉”体系结构下的ing，因此具有字节perm固有特性（这似乎很好知道）无法使用。我使用相同的gpu卡进行的基准计时确认了我的性能比较。我在Schneier中查找了RC4，它是一种面向字节的算法，使用由256个单字节条目组成的SBOX。您的代码似乎一次访问一个字的字节数组，并动态提取和插入字节。这些提取/插入在这个受计算限制的任务中，异常操作似乎占据了整个执行时间的很大一部分。您是否考虑过将每个SBOX元素存储在一个字中，只在写回每个SBOX条目时屏蔽到最低有效字节？此外，尝试通过字符数组而不是字数组使用输入数据。