X86 为什么adox和adcx不'；我们不能在Ryzen一起玩得好吗？

我花了很多时间手工优化低级整数算法，并取得了一些成功。例如，我的6x6乘法子程序花费了66个滴答声，而Skylake上的mpn\u mul\u basecase（6,6）则花费了82个滴答声。我的代码发布在

我目前正在为AMD Ryzen进行8x8乘法运算。我使用Ryzen 7 3800X进行基准测试。我尽量避免迟到。我研究过Agner Fog的“指令表”和Torbjörn Granlund的“指令延迟…”。没有任何迹象表明Ryzen上的adox/adcx存在重大问题；关于adox/adcx，Ryzen和Skylake之间应该没有太大区别。我已经使用mulx和adcq、adox或adcx中的一个对乘法8x1子例程进行了基准测试；子程序的所有三个变体在Skylake和Ryzen上都运行得很快（18-19个刻度）

然而，当我尝试混合使用adox和adcx时，我的代码在Ryzen上运行得非常慢。例如，在Skylake i7-6700上花费34个蜱虫，在Ryzen 7 3800X上花费293个蜱虫（相差8倍）

---

任何关于为什么mulx/adox/adcx代码在Ryzen上执行速度慢8倍的建议？

摆脱了大量使用xmm/ymm的习惯，解决了这个问题

只需42滴答

看起来Ryzen在adox/adcx方面没有问题。Ryzen显然存在vmovdqu mem注册和/或vpextrq和/或vperm2i128的问题

这个问题很愚蠢

---

@NateEldredge你的暗示很有帮助。谢谢。

Zen是否有部分标志合并暂停，使两个独立的dep链（CF和OF）比单个dep链的延迟瓶颈更糟糕？我不记得Agner Fog在他的Zen Microach指南中提到了这方面的细节，但指令表通常只测试相同的指令，而不是交替使用adcx/adox。Zen是否有任何相关事件的性能计数器？比如暂停，或者后端UOP，或者甚至是专门合并UOP？似乎acdx和adox的全部目的是将它们作为两个独立的链使用。如果AMD在没有微体系结构功能的情况下实现这些指令，这将是一种肮脏的伎俩，而微体系结构功能实际上会给它们提供可接受的性能。@NateEldredge:同意。AMD使用慢速的pdep实现BMI2是有理由的——设置CPUID功能位可以让代码使用其他几种快速的有用指令，特别是

shlx

，等等。（与AMD上的shl速度相同，但比Intel上的shl速度快）。但ADX功能位只提供这两条指令，因此，如果在几乎所有情况下使用它们而不是普通的

adc

，它们都会导致严重的暂停，那么最好根本不提供它们。它们不使用VEX编码或任何使它们在单dep链情况下更有用的东西，因为Haswell，BMI2

mulx

没有ADX是一个有用的代码路径，无论如何，对于bigint乘法。英特尔在本白皮书中展示了这两种方式。如果AMD在所有3种情况下都有相应的版本，那么去掉该功能位将使代码使用该版本。看起来代码使用xmm寄存器作为暂存空间，并将它们移动到整数寄存器之间进行计算，这似乎有点不寻常。有可能是这个原因吗？你还在使用XMM注册表。Zen 2具有零延迟存储转发功能，因此，如果您无法对操作进行重新排序，从而不需要在体系结构寄存器中同时存在这么多值，那么使用存储/重新加载而不是ALU

movq

来发送XMM regs可能是有意义的。（请记住，所有x86 CPU都有无序执行，因此在开始下一个dep链之前，在一个dep链中执行多个操作是可以的，如果这样可以使用一个值完成操作，那么您就不需要将其保存到以后。但是，当您有足够的REG时，安排混合多个dep链或先执行关键路径的指令也是很好的。），您的函数看起来像是R15、RAX等中已有值的代码的助手。将

vzeropper

置于该函数的顶部。或者根本不要使用它：标准的方法是在调用可能不支持AVX的函数之前，以及在返回之前，将YMM upper函数脏到用户

vzeroupper

。在不接受任何YMM参数的正常函数的顶部，您可以假设CPU处于干净的上半部分状态。@Peter Cordes我试图将中间值存储在目标内存中，而不是暂存xmm寄存器。这有时会导致加速，有时会导致减速。例如，在代码的前半部分使用xmm暂存（乘以v[0..3]），在后半部分使用内存暂存（乘以v[4..7]）。用xmm scratch替换内存scratch或反之亦然，会导致此代码的速度减慢。@Peter Cordes I只有movq r64、xmm和movq xmm、r64，没有其他向量指令。我听从了你的建议，删除了你的建议。这使速度变慢（从106个滴答声变为110个滴答声）是的，我看到您使用的唯一指令是

movq

，但是您有很多这样的指令。内存的一个优点是，您可以使用内存源操作数，如

adc-16（%rsp），%rax

，而不是单独的

movq

重新加载。正如我所说，在Zen 2上，存储/重新加载可以有效地实现零延迟。此外，Zen2的前端比integer后端更宽，因此我希望一些存储而不是ALU movq可以为有用的工作留下更多的执行单元。在可以使用红色区域的非窗口上，移动RSP不需要任何说明。