Performance 在Skylake上展开1周期循环会降低25%的性能。uops调度问题？

TL；DR我有一个循环，在Skylake上执行需要1个周期（它执行3次添加+1次inc/跳跃）

当我将它展开超过2次（无论多少次）时，我的程序运行速度大约慢25%。这可能与对齐有关，但我不清楚是什么

编辑：该问题用于询问为什么UOP由DSB而不是MITE交付。现在已将此移到

---

我试图对一个循环进行基准测试，该循环在我的Skylake上进行了3次添加。这个循环应该在一个周期内执行，因为3加+1增量与条件跳转融合，一旦融合，可以在一个周期内执行。果然如此

然而，在某个时刻，我的C编译器试图展开该循环，从而导致性能下降。我现在试图理解为什么展开的循环的性能比未展开的循环差，因为我希望两者的性能相同，或者展开的循环的性能比未展开的循环差

这是我的C代码：

intmain（）{
INTA、b、c、d；
#布拉格展开（2）
对于（无符号长i=0；i<2000000；i++）{
asm volatile（“：“+r”（a），“+r”（b），“+r”（c），“+r”（d））；
a=a+d；
b=b+d；
c=c+d；
}
//防止数据被优化
asm volatile（“：“+r”（a），“+r”（b），“+r”（c））；
}

使用Clang 7.0.0-O3编译将生成以下（已清理的）程序集（从现在起称为

v1

）：

使用

perf stat-e cycles

进行基准测试表明，每次迭代大约需要2个周期

但是，用“新的64位寄存器”（r8到r15）替换任何寄存器会导致循环以3个周期而不是2个周期执行（我们称此代码为

v2

）：

这不是一个随机的例子：如果我在我的程序中添加了一些东西，并且运气不好，那么Clang实际上会产生这个循环（我的初始版本是相同的C代码，另外随机初始化变量、预热阶段和rdtscp来计时循环，Clang在循环中使用了

r14d

）。此循环以大约3个周期/迭代执行

进一步的测试表明，如果循环展开次数大于2，则程序执行周期为25亿次（非展开循环为20亿次）

循环中的UOP数为

3*n+1

（其中

n

为展开因子，

1

表示融合的

add/jne

），这意味着展开3次的循环有10个UOP；4乘以13个uop等。这些uop的数量相当小，应该放在DSB（uop缓存）中。我和你在天湖上

此外，展开3、4、10或50次根本不会改变性能：我的代码总是以25亿个周期运行（而未展开的代码则以20亿个周期运行）。这有点令人惊讶，因为3个加法应该总是在1个周期内执行，因此，如果由于某种原因在循环结束时损失了一个额外的周期，它的开销应该在展开增加时摊销，渐进（在展开因子中）性能应该接近20亿个周期

llvmmca

和

iaca

都预测，展开n次将使循环以n个周期执行（这将使整个程序以20亿个周期执行）

---

总而言之，问题是：为什么我的循环一展开超过2次就慢了25%？

评论不用于扩展讨论；这段对话已经结束。

    movl    $2000000000, %esi
    .p2align    4, 0x90
.LBB0_1:
    addl    %edi, %edx
    addl    %edi, %ecx
    addl    %edi, %eax
    addl    %edi, %edx
    addl    %edi, %ecx
    addl    %edi, %eax
    addq    $-2, %rsi
    jne .LBB0_1

    movl    $2000000000, %esi
    .p2align    4, 0x90
.LBB0_1:
    addl    %edi, %r14d
    addl    %edi, %ecx
    addl    %edi, %eax
    addl    %edi, %r14d
    addl    %edi, %ecx
    addl    %edi, %eax
    addq    $-2, %rsi
    jne .LBB0_1