匯編優(yōu)化提示

2020-02-02 19:01:20

字體：大中小

供稿：網(wǎng)友

你需記住的最重要的事情就是代碼花費(fèi)的時(shí)間！不同的方法可以加速你的代碼或者不能，所以你要多多嘗試。因而計(jì)算代碼花費(fèi)的時(shí)間來看看你嘗試的每個(gè)方法是否可以提速是件很重要的事情。

；=========================初級=========================

<1>釋放所有8-CPU寄存器，以使它們用于你自己的代碼中

復(fù)制代碼代碼如下:

 
push ebx 
push esi 
push edi 
push ebp ；必須在改變ESP之前完成 
；裝載ESI、EDI和其他傳遞棧中值的寄存器，這必須在釋放ESP之前完成。 
movd mm0,esp ； 沒有入棧/出棧操作超過此處， 
xor ebx,ebx ； 所以你怎樣保存呢?一個(gè)變量嘛！ 
mov esp,5 
inner_loop: 
mov [eax_save],eax ； eax_save是一個(gè)全局變量不可能是局 
； 部的，因?yàn)槟且驟BP來指向它。 
add ebx,eax 
mov eax,[eax_save] ； 存儲 eax 
movd esp,mm0 ； 必須在做POPs之前完成 
pop ebp 
pop edi 
pop esi 
pop ebx 
ret 

<2>寄存器的最大化使用

多數(shù)高級點(diǎn)的編譯器會產(chǎn)生非常多的到內(nèi)存變量的訪問。我通常避免那樣做，因?yàn)槲冶M力把這些變量放在寄存器中。所以要使8-CPU寄存器自由使用，以備燃眉之急~

<3>復(fù)雜指令

避免復(fù)雜指令(lods, stos, movs, cmps, scas, loop, xadd, enter, leave)。復(fù)雜指令就是那些可以做許多事情的指令。例如，stosb向內(nèi)存寫1字節(jié)，同時(shí)增加EDI。這些復(fù)雜指令阻止早期的Pentium快速運(yùn)行，因?yàn)樘幚砥鞯陌l(fā)展趨勢是力使自己更像精簡指令集計(jì)算機(jī)(RISC)。使用rep和字符串指令依舊很快----而這是唯一的例外。

<4>不要再P4上使用INC/DEC

在P4上用ADD/SUB代替INC/DEC。通常前者更快些。ADD/SUB耗費(fèi)0.5 cycle而INC/DEC耗費(fèi)1 cycle.

<5>循環(huán)移位(rotating)

避免用寄存器作循環(huán)移位計(jì)數(shù)器；立即數(shù)作計(jì)數(shù)器時(shí)，除了1，不要用其他值。

<6>消除不必要的比較指令

通過合理運(yùn)用條件跳轉(zhuǎn)指令來消除不必要的比較指令，但是，這些條件跳轉(zhuǎn)指令時(shí)基于標(biāo)志位的。而這些標(biāo)志位已經(jīng)被前面的算術(shù)指令設(shè)置了。
dec ecx
cmp ecx,0
jnz loop_again
優(yōu)化為：
dec ecx
jnz loop_again

<7>lea指令的使用

lea非常酷，除了在P4上它表現(xiàn)得慢一點(diǎn)。你可以在這一條指令中執(zhí)行許多數(shù)學(xué)運(yùn)算，并且它不會影響標(biāo)志寄存器。所以你可以把它放在一個(gè)正在被修改的寄存器和一個(gè)涉及標(biāo)志位的條件跳轉(zhuǎn)指令中間。
top_of_loop:
dec eax
lea edx,[edx*4+3] ；乘4加3。不影響標(biāo)志位
jnz top_of_loop ；所以jnz判斷的是dec eax執(zhí)行后的狀態(tài)字

<8>ADC和SBB的使用

許多編譯器都不充分利用ADC和SBB。你可以用它們很好地提速，如：把兩個(gè)64-bit的數(shù)加在一起或者兩個(gè)大數(shù)相加。記牢：ADC和SBB在P4上慢。當(dāng)你手頭有類似工作時(shí)，你可以使用addq和用MMX來完成。所以第二個(gè)優(yōu)化建議是：用MMX做這樣的加減法。但你的處理器必須支持MMX。
add eax,[fred]
adc edx,[fred+4]
；下面的3條指令完成同樣的功能
movd mm0,[fred] ；得到MM0中的32-bit的值
movd mm1,[fred+4] ；得到MM1中的32-bit的值
paddq mm0,mm1 這是一種未優(yōu)化的方法，實(shí)際上，你可以在前面的循環(huán)中預(yù)取MM0和MM1。我這樣做是為了好理解。

<9>ROL, ROR, RCL, RCR 和 BSWAP

使用BSWAP指令把Big Endian數(shù)據(jù)轉(zhuǎn)換成Little Endian格式是很酷的一種方法。你也可以使用它臨時(shí)存儲寄存器的高位的的值(16-bit或8-bit)。類似地，你可以使用ROL/ROR來存儲8-bit或16-bit值。這也是獲得更多“寄存器”的一種方法。如果你處理的都是16-bit的值，你可以把你的8個(gè)32-bit的寄存器轉(zhuǎn)換成16個(gè)16-bit的寄存器。這樣你就有更多寄存器可以使用了。RCL和RCR可以很容易地被使用在計(jì)算寄存器中比特位(0 or 1)的多少。牢記：P4上ROL, ROR, RCL, RCR 和 BSWAP速度慢。循環(huán)移位指令大約比BSWAP快2倍。所以，如果你必須在P4機(jī)上使用上述指令，還是選循環(huán)移位指令吧。

復(fù)制代碼代碼如下:

 
xor edx,edx ； 設(shè)置兩個(gè)16-bit的寄存器為0 
mov dx,234 ； 設(shè)置低位寄存器為234 
bswap edx ； 高低位寄存器互換 
mov dx,345 ； 設(shè)置當(dāng)前低位寄存器為345 
bswap edx ； 當(dāng)前高低位互換 
add dx,5 ； 當(dāng)前低位寄存器加5 
bswap edx ； 高低位互換 
add dx,7 ； 當(dāng)前低位寄存器加7 

<10>字符串指令

許多編譯器沒有充分利用字符串指令( scas, cmps, stos, movs和 lods)。所以檢測這些指令寫成的函數(shù)是否比一些庫函數(shù)速度快是非常有意義的。例如：當(dāng)我在看VC++的strlen()函數(shù)時(shí)，我真的很驚訝。在radix40代碼中，處理一個(gè)100字節(jié)的字符串，它竟跑了416 cycles ！！！我認(rèn)為這慢地荒誕！！！

<11>以乘代除

If you have a full 32-bit number and you need to divide, you can simply do a multiply
and take the top 32-bit half as the result. This is faster because multiplication is
faster than division. ( thanks to pdixon for the tip).
如果你有一個(gè)滿32-bit(full 32-bit)的數(shù)要做除法，你可以簡單地做乘法，然后取高32-bit部分作為結(jié)果。這樣會快些，因?yàn)槌朔ū瘸欤?感謝pdixon提供了這個(gè)tip)(譯者注：由于水平有限，此tip翻譯尚待商討，而且不能給出一個(gè)例子。還仰仗各位幫忙。)

<12>被常數(shù)除

這兒有一些很好的信息----怎樣被常數(shù)除(在Agner Fog的pentopt.pdf中)。我(Mark Larson)寫了一個(gè)小程序：可以根據(jù)你輸入的除數(shù)自動產(chǎn)生匯編代碼序列。我會繼續(xù)探究探究，然后貼出來。這是Agner的文檔的鏈接。Agner's Pentopt PDF (http://www.agner.org/assem/)

<13>展開(Unrolling)

這是一個(gè)指導(dǎo)方針。在一般優(yōu)化策略里，“展開”往往被忽略，因此我想為它加個(gè)注腳。我總是用數(shù)值總數(shù)相等的宏來建立我的“展開”結(jié)構(gòu)。那樣的話，你可以嘗試不同的值來看看哪種是最容易的。你希望這個(gè)展開“安身”于L1代碼緩存(或追蹤緩存,trace cache)。使用等價(jià)(equate)語句可以很容易地嘗試不同的展開值來達(dá)到最快的速度。
UNROLL_AMT equ 16 ； # 展開循環(huán)的次數(shù)
UNROLL_NUM_BYTES equ 4 ； # 一次循環(huán)處理的字節(jié)數(shù)
mov ecx,1024
looper:
offset2 = 0
REPEAT UNROLL_AMT
add eax,[edi+offset2]
offset2 = offset2 + UNROLL_NUM_BYTES
add edi,UNROLL_AMT * UNROLL_NUM_BYTES ；按16*4字節(jié)來處理
sub ecx,UNROLL_AMT ；從循環(huán)計(jì)數(shù)器中減去展開循環(huán)的次數(shù)
jnz looper

<14>MOVZX指令

使用MOVZX來避免偏愛的寄存器受阻。我使用MOVZX非常多。許多人首先將滿32-bit寄存器(full 32-bit register)XOR一下。但是，MOVZX無需這個(gè)多余的XOR指令而可以完成同樣的事情。而且你必須提前做XOR運(yùn)算，之后才能使用寄存器，并且這個(gè)操作是花費(fèi)一定時(shí)間的。但有MOVZX在，你就無需擔(dān)心啦。

<15>用MOVZX來避免SHIFT和AND指令的使用

我用匯編來對C代碼中的位運(yùn)算提速。the_array是一個(gè)dword的數(shù)組。代碼功能是得到數(shù)組中一個(gè)dword的任意字節(jié)。Pass是一個(gè)值為0-3的變量。因此這個(gè)功能有如下C代碼：
unsigned char c = ((the_array[i])>>(Pass<<3)) & 0xFF；
；我為了避免Pass變量的使用，展開了循環(huán)4次。所以我得到了如下更多的代碼：
unsigned char c = (the_array[i])>>0) & 0xFF；
unsigned char c = (the_array[i])>>8) & 0xFF；
unsigned char c = (the_array[i])>>16) & 0xFF；
unsigned char c = (the_array[i])>>24) & 0xFF；
在匯編中，我摒棄SHIFT和AND會發(fā)生什么呢？節(jié)約了我2個(gè)指令！更不用提P4上SHIFT指令非常慢(4 cycles!!!)的事實(shí)。所以如果可能，盡量避免使用SHIFT指令。我們以第三行為例，所以只需右移16位即可：
mov eax,[esi] ； esi指向the_array數(shù)組
shr eax,16
and eax,0FFh
；那么我們怎樣避免SHR和AND的使用呢？我們舉例對dword中的第三個(gè)字節(jié)做MOVZX運(yùn)算。
movzx eax,byte ptr [esi+2] ；unsigned char c = (the_array[i])>>16) & 0xFF；

<16>align指令

該偽指令非常重要，它可以對齊你的代碼和數(shù)據(jù)來很好地提速。對代碼，我通常按4字節(jié)邊界對齊。對于數(shù)據(jù)呢，2字節(jié)數(shù)據(jù)按2字節(jié)邊界對齊，4字節(jié)數(shù)據(jù)按4字節(jié)邊界對齊，8字節(jié)數(shù)據(jù)按8字節(jié)邊界對齊，16字節(jié)數(shù)據(jù)按16字節(jié)邊界對齊。一般情況，如果不以一個(gè)16-bit邊界對齊SSE或SSE2數(shù)據(jù)的話，將會產(chǎn)生一個(gè)異常。如果有VC++開發(fā)包，你可以在VC++環(huán)境中對齊你的數(shù)據(jù)。VC++加入了對靜態(tài)數(shù)據(jù)和動態(tài)內(nèi)存的支持。對于靜態(tài)數(shù)據(jù)，你可以使用__declspec(align(4))來按4字節(jié)邊界對齊。

<17>用于2的冪的BSR指令

你可以把BSR命令用于變量的2的最高冪的計(jì)數(shù)。

<18>用XOR置寄存器為0

這是非常陳舊的常識了，但是我依然要重提一下。它也有一個(gè)側(cè)面好處----消除對寄存器的依賴性。這就是人們使用寄存器之前用XOR置零成風(fēng)的原因。但我寧愿使用MOVZX，因?yàn)閄OR很狡猾~(看看我前面對MOVZX的討論)在P4上，也增加了PXOR支持，以消除對XOR的依賴性。我認(rèn)為P3做了同樣的事情。

<19>使用XOR和DIV

如果你確定你的數(shù)據(jù)在做除法時(shí)是無符號數(shù)，使用XOR EDX, EDX，然后DIV。它比CDQ和IDIV快。

<20>盡量避免明顯的依賴關(guān)系

如果你修改一個(gè)寄存器，然后在緊跟的下一行中讓它和某個(gè)值進(jìn)行比較，相反地，你最好在兩者之間插入其他的寄存器的修改指令。依賴就是任何時(shí)間你修改一個(gè)寄存器，然后緊跟著對它讀或?qū)憽?譯者注：其實(shí)就是AGI延遲； AGI: Address Generation Interlock)
inc edi
inc eax
cmp eax,1 ；這行依賴于上一行，所以產(chǎn)生延遲
jz fred
；移動周圍的指令到這兒可以打破這種依賴
inc eax
inc edi
cmp eax,1
jz fred

<21>P4機(jī)上避免使用的指令

在P4機(jī)上避免使用如下指令： adc, sbb, rotate指令, shift指令, inc, dec, lea, 和任何耗費(fèi)多于 4 uops(微指令)的指令。你怎么知道當(dāng)前運(yùn)行代碼的處理器是P4？CPUID命令！

<22>使用查找表

在P4機(jī)上，你可以通過建立查找表，來規(guī)避長時(shí)間延遲的指令(前面已列出來)。幸而P4機(jī)的內(nèi)存速度很快，所以如果建立的查找表不在cache里，它也并不會很大地影響性能。

<23>使用指針而不是計(jì)算下標(biāo)(索引)

許多時(shí)候，C語言中的循環(huán)會出現(xiàn)兩個(gè)非冪數(shù)的乘法。你可以很容易地用加法來完成。下面是一個(gè)使用結(jié)構(gòu)體的例子：
typedef struct fred
{
int fred；
char bif；
}freddy_type；
freddy_type charmin[80]；

freddy_type結(jié)構(gòu)的大小是5字節(jié)。如果你想在循環(huán)中訪問它們，編譯器會產(chǎn)生此種代碼----對每個(gè)數(shù)組元素的訪問都乘以5！！！Ewwwwwwwwwwwww(譯者注：語氣詞)！！！那么我們應(yīng)該怎樣做呢？
for ( int t = 0； t < 80； t++)
{
charmin[t].fred = rand()； // 編譯器為了得到偏移量，竟乘以了5，EWWWWWWWW！
charmin[t].bif = (char)(rand() % 256)；
}
在匯編中，我們以偏移量0開始，這指向了數(shù)據(jù)第一個(gè)元素。然后我們每次把循環(huán)迭代器加5來避免MUL指令的使用。
mov esi,offset charmin
mov ecx,80
fred_loop:
；...freddy_type結(jié)構(gòu)中FRED和BIF元素的處理命令
add esi,5 ；指向下一個(gè)結(jié)構(gòu)的入口地址
dec ecx
jnz fred_loop
MUL指令的規(guī)避也應(yīng)用在循環(huán)中。我曾見過人們在循環(huán)中以乘來實(shí)現(xiàn)變量增加或者終止條件。相反，你應(yīng)盡量用加法。

<24>遵從默認(rèn)分支預(yù)測

盡量設(shè)計(jì)你的代碼使向后的條件跳轉(zhuǎn)經(jīng)常發(fā)生，并且向前的條件跳轉(zhuǎn)幾乎從不發(fā)生。這顯然與分支預(yù)測有關(guān)。CPU中的靜態(tài)分支預(yù)測器(static branch predictor)只使用簡單的規(guī)則來猜測一個(gè)條件跳轉(zhuǎn)是否發(fā)生。所以應(yīng)使向后跳轉(zhuǎn)的循環(huán)分支靠近結(jié)束。然后讓同一循環(huán)的特殊退出條件(exit condition)執(zhí)行一個(gè)向前的跳轉(zhuǎn)(這個(gè)跳轉(zhuǎn)只在此跳轉(zhuǎn)不經(jīng)常發(fā)生的這個(gè)特定的條件下退出)。

<25>消除分支

如果可能，消除分支！這是顯然的，但我見過許多人在他們的匯編代碼中使用了太多的分支。保持程序的簡單。使用盡可能少的分支。

<26>使用CMOVcc來消除分支

我曾見到過CMOVcc指令確實(shí)比條件跳轉(zhuǎn)指令快。所以我建議使用CMOVcc而非條件跳轉(zhuǎn)指令。當(dāng)在你的跳轉(zhuǎn)不容易被分支預(yù)測邏輯猜到的情況下，它可能會更快。如果你遇到那種情況，設(shè)定基準(zhǔn)點(diǎn)(benchmark)看看！

<27>局部變量vs全局變量

在一個(gè)過程模塊(子函數(shù))中使用局部變量而不是全局變量。如果你使用局部變量，你會得到更少的緩存未命中(Cache miss)。

<28>地址計(jì)算

在你需要某地址之前計(jì)算它。不得不說你為了得到某一特定地址必須計(jì)算一些令人討厭的東西。例如地址乘20。你可以在需要該地址的代碼之前預(yù)算它。

<29>小點(diǎn)兒的寄存器

有些時(shí)候，使用小點(diǎn)兒的寄存器可以提升速度。我在radix40代碼中驗(yàn)證了它。如果你使用EDX來修改下面的代碼，它跑得會慢些。
movzx edx,byte ptr [esi] ；從ascii數(shù)組取數(shù)據(jù)
test dl,ILLEGAL ；位測試
jnz skip_illegal

<30>指令長度

盡量使你的指令大小保持在8字節(jié)以下。

<31>使用寄存器傳遞參數(shù)

如果可能，嘗試用寄存器傳遞參數(shù)而不是棧。如果你有3個(gè)變量要壓棧作為參數(shù)，至少有6個(gè)內(nèi)存讀操作和3個(gè)內(nèi)存寫操作。你不得不把每個(gè)變量由內(nèi)存讀入CPU寄存器然后把它們壓入棧。這是3個(gè)內(nèi)存讀操作。然后壓向棧頂產(chǎn)生3個(gè)寫操作。然后為什么你會壓你從不使用的參數(shù)呢？所以，又出現(xiàn)了最少3個(gè)讀棧操作。(譯者注：兩內(nèi)存變量不能直接傳遞數(shù)據(jù))

<32>不要向棧傳遞大數(shù)據(jù)

不要向棧傳遞64-bit或128-bit的數(shù)據(jù)(或者更大)。相反，你應(yīng)該傳遞指向該數(shù)據(jù)的指針。

；=========================中級=========================

<33>加法方向

寄存器加向內(nèi)存比內(nèi)存加向寄存器速度更快。這與指令耗費(fèi)的微指令(micro-ops)的多少有關(guān)。所以，你知道該怎么做了。
add eax,[edi] ；如果可能，不要這樣做
add [edi],eax ；這才是首選

<34>指令選擇

盡量選取產(chǎn)生最少微指令和最少延遲的指令。

<35>未對齊字節(jié)數(shù)據(jù)流的雙字(dword)對齊處理

對于沒有4字節(jié)邊界對齊的緩沖區(qū)，一次分解出一個(gè)dword會使性能湮沒。(譯者注：因?yàn)榈刂?2-bit對齊時(shí)，處理速度最快)你可以通過處理開始的X(0-3)字節(jié)直到遇到一個(gè)4字節(jié)對齊的邊界處的方法來規(guī)避這種情況。

<36>使用CMOVcc來復(fù)位一個(gè)無限循環(huán)指針

如果你想多次傳遞一個(gè)數(shù)組，并當(dāng)達(dá)到數(shù)組末端的時(shí)候復(fù)位到開始處，你可以使用CMOVcc指令。
dec ecx ；減少數(shù)組索引
cmovz ecx,MAX_COUNT ；如果在開始處，復(fù)位索引為 MAX_COUNT(結(jié)尾處)。

<37>以減法來代替乘以0.5的乘法

這可能不會對所有情況奏效除了real4變量乘以0.5，或者被2除(real4變量是浮點(diǎn)數(shù))，你只需把指數(shù)減1即可。但對0.0不奏效。對real8變量，要減去00100000h。(這個(gè)tip是donkey貼出來的,donkey posted this)
.data
somefp real4 2.5
.code
sub dword ptr [somefp],00800000h ；用2除real4

<38>自修改代碼

P4優(yōu)化手冊建議避免自修改代碼的使用。我曾經(jīng)見到過幾次自修改代碼可以跑得更快的情況。但是每次使用前你都要明確它在當(dāng)前情況下會更快。(譯者注：自修改代碼即INC/DEC)

<39>MMX, SSE, SSE2指令

許多編譯器對MMX,SSE和SSE2不會產(chǎn)生很好的代碼。GCC和Intel編譯器對此做了更多工作，所以較其他產(chǎn)品好一些。但是你自己的"大腦+手"編譯器在這項(xiàng)工作中的應(yīng)用仍然是很大的成功。

<40>使用EMMS

EMMS在Intel處理器上傾向?yàn)楹苈闹噶睢Ｔ贏MD上它比較快。通常我不會在例行的基礎(chǔ)程序中使用它，因?yàn)樗Ｎ液苌僭谟性S多MMX指令的程序中再使用很多浮點(diǎn)指令。反之依然(vice versa)。所以我經(jīng)常在做任何浮點(diǎn)運(yùn)算之前等著執(zhí)行EMMS。如果你有許多浮點(diǎn)和很少的MMX，那么應(yīng)在你調(diào)用的所有的MMX子程序(如果有的話)執(zhí)行完再執(zhí)行EMMS。然而，在每個(gè)執(zhí)行MMX的子程序中加入EMMS會使代碼變慢。

<41>轉(zhuǎn)換到MMX,SSE,SSE2

你的代碼能轉(zhuǎn)換到MMX, SSE, 或者SSE2嗎？如果能，你可以并行處理來極大的提升速度。

<42>預(yù)取數(shù)據(jù)

這往往未被充分利用。如果你處理一個(gè)非常大的數(shù)組(256KB或更大)，在P3及以后處理器上使用PREFETCXH指令可以使你的代碼無論在什么地方都可以提速10-30%。但事實(shí)上，如果你沒有合理使用的話，代碼性能還可能降級。在這方面，“展開”表現(xiàn)良好，因?yàn)槲野阉归_為用此指令預(yù)取的字節(jié)的整數(shù)倍。在P3上，此倍數(shù)為32，而在P4上，它是128。這就意味著你可以在P4機(jī)上很容易地展開循環(huán)來一次處理128字節(jié)，你可以從預(yù)取和展開中得到好處。但并不是在每種情況下展開為128字節(jié)都會有最好的提速。你可以嘗試不同的字節(jié)數(shù)。
UNROLL_NUM_BYTES equ 4 ；一次循環(huán)要處理的字節(jié)數(shù)
UNROLL_AMT equ 128/UNROLL_NUM_BYTES ；我們想展開循環(huán)以使它每次處理128字節(jié)
mov ecx,1024
looper:
offset2 = 0
REPEAT UNROLL_AMT
prefetchnta [edi+offset2+128] ；在我們需要之前預(yù)取128字節(jié)到L1緩存
add eax,[edi+offset2]
offset2 = offset2 + UNROLL_NUM_BYTES
add edi,UNROLL_AMT * UNROLL_NUM_BYTES ；我們處理16*4字節(jié)
sub ecx,UNROLL_AMT ；調(diào)整迭代器到下一循環(huán)
jnz looper

<43>緩存模塊化(Cache Blocking)

不得不說，你必須對內(nèi)存中的大數(shù)組調(diào)用許多過程(子函數(shù))。你最好把數(shù)組分成塊兒并裝入緩存(Cache)來減少緩存未命中(cache miss)。例如：你正在執(zhí)行3D代碼，第一個(gè)過程可能傳遞坐標(biāo)，第二個(gè)過程可能是規(guī)模大小，第三個(gè)可能是變換方式。所以與其在整個(gè)的的大數(shù)組里翻箱倒柜似地找，你應(yīng)該把數(shù)據(jù)大塊(chunk)分成適于緩存(Cache)的小塊。然后調(diào)用此3個(gè)過程。然后進(jìn)行下面數(shù)據(jù)大塊的類似操作。

<44>TLB啟動(TLB Priming)

TLB就是旁路轉(zhuǎn)換緩沖，或稱頁表緩沖(Translation Lookaside Buffer)，是虛擬內(nèi)存地址到物理內(nèi)存地址的轉(zhuǎn)換部件。它通過對頁表入口點(diǎn)的快速訪問來提升性能。未在TLB緩存的代碼或數(shù)據(jù)會促使緩存未命中，這就降低了代碼速度。解決方法就是：在你必須讀某頁之前預(yù)讀該頁的一個(gè)數(shù)據(jù)字節(jié)。我會在后面的tips中提供一個(gè)例子。

<45>混入代碼來消除依賴

在C代碼中，C編譯器把不同的代碼塊分別對待。當(dāng)進(jìn)入?yún)R編語言級別時(shí)，你可以混入(intermix)它們來消除依賴。

<46>并行處理

許多編譯器沒有充分利用CPU有2個(gè)ALU流水線的事實(shí)，而ALU是人們使用的大部分。在P4機(jī)上你會更得意----如果操作得當(dāng)，你可以在一個(gè)指令周期執(zhí)行4個(gè)ALU運(yùn)算指令。如果你把任務(wù)分配，并行處理之，這也會消除依賴。真是一箭雙雕！在循環(huán)中采取這個(gè)策略。
looper:
mov eax,[esi]
xor eax,0E5h ；依賴上一行
add [edi],eax ；依賴上一行
add esi,4
add edi,4
dec ecx
jnz looper
；那么我們?nèi)绾问顾⑿谢⑶覝p少依賴呢？
looper:
mov eax,[esi]
mov ebx,[esi+4]
xor eax,0E5
xor ebx,0E5
add [edi],eax
add [edi+4],ebx
add esi,8
add edi,8
sub ecx,2
jnz looper

<47>避免內(nèi)存訪問

重新構(gòu)建代碼來避免內(nèi)存訪問(或者其他I/O操作)。一種方法就是在向內(nèi)存寫一個(gè)值的時(shí)候，先在一個(gè)寄存器中累加它。下面給出一個(gè)例子。在這個(gè)例子里，假設(shè)每次循環(huán)我們從源數(shù)組向目的數(shù)組(元素為dword大小)連續(xù)相加3個(gè)字節(jié)的值。目的數(shù)組已經(jīng)置0。
mov ecx,AMT_TO_LOOP
looper:
movzx byte ptr eax,[esi]
add [edi],eax
movzx byte ptr eax,[esi+1]
add [edi],eax
movzx byte ptr eax,[esi+3]
add [edi],eax
add edi,4
add esi,3
dec ecx
jnz looper
；我們可以在寄存器中累加結(jié)果，然后只需向內(nèi)存寫一下即可。
mov ecx,AMT_TO_LOOP
looper:
xor edx,edx ；置0以存儲結(jié)果
movzx byte ptr eax,[esi]
add edx,eax
movzx byte ptr eax,[esi+1]
add edx,eax
movzx byte ptr eax,[esi+3]
add edx,eax
add esi,3
mov [edi],edx
add edi,4
dec ecx
jnz looper

<48>何時(shí)轉(zhuǎn)換call為jump

如果子程序的最后一個(gè)語句是一個(gè)call，考慮把它轉(zhuǎn)換為一個(gè)jump來減少一個(gè)call/ret。

<49>使用數(shù)組作為數(shù)據(jù)結(jié)構(gòu)

(這個(gè)tip不是只針對匯編的，但匯編表現(xiàn)更優(yōu)異)你可以使用一個(gè)數(shù)組來實(shí)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)(例如樹和鏈表)。通過使用數(shù)組，內(nèi)存會無縫連接，代碼會因更少的緩存未命中而提速。

；=========================高級=========================

<50>避免前綴

盡量避免使用前綴。段超越(segment overrides),分支標(biāo)志(branch hints),操作數(shù)大小強(qiáng)制轉(zhuǎn)換(operand-size override),地址大小強(qiáng)制轉(zhuǎn)換(address-size override),封鎖數(shù)據(jù)指令(LOCKs),重復(fù)前綴(REPs)等都會產(chǎn)生前綴。前綴會增加指令的長度，執(zhí)行時(shí)間也有所延長。

<51>將代碼中的讀/寫操作分組

如果bus總線上有許多交互的讀命令和寫命令，考慮分組。同一時(shí)間處理更多的讀和寫命令。下面的是我們要避免的：
mov eax,[esi]
mov [edi],eax
mov eax,[esi+4]
mov [edi+4],eax
mov eax,[esi+8]
mov [edi+8],eax
mov eax,[esi+12]
mov [edi+12],eax
；將讀和寫指令分組
mov eax,[esi]
mov ebx,[esi+4]
mov ecx,[esi+8]
mov edx,[esi+12]
mov [edi],eax
mov [edi+4],ebx
mov [edi+8],ecx
mov [edi+12],edx

<52>充分利用CPU執(zhí)行單元(EU,execution units)來加速代碼

選擇在不同處理單元執(zhí)行的命令。如果你能合理地這樣做的話，執(zhí)行代碼的時(shí)間會等于吞吐時(shí)間(throughput time)而沒有延遲時(shí)間(latency time)。對許多指令來說，吞吐時(shí)間是較少的。

<53>交錯(cuò)2個(gè)循環(huán)以同步執(zhí)行

你可以展開一個(gè)循環(huán)2次，而不是一條接另一條的運(yùn)行命令，你可以同步運(yùn)行它們。這為什么很有用？有2個(gè)原因。第一，有時(shí)你要執(zhí)行必須使用某個(gè)寄存器的指令并且這些指令有很長的延遲。例如MUL/DIV，兩個(gè)連在一起的MUL指令會產(chǎn)生對EDX:EAX的依賴和爭用。第二，有時(shí)一些指令本身就有很長的延遲。所以，你自然想嘗試在在一個(gè)循環(huán)后面放置一些來自另一個(gè)循環(huán)的指令來減少延遲直到它返回結(jié)果。P4機(jī)上的許多MMX, SSE和SSE2指令都采取這個(gè)策略。這兒有一個(gè)例子循環(huán)。
loop:
A1 ； instruction 1 loop 1
D2 ； instruction 4 loop 2
B1 ； instruction 2 loop 1
A2 ； instruction 1 loop 2
C1 ； instruction 3 loop 1
B2 ； instruction 2 loop 2
D1 ； instruction 4 loop 1
C2 ； instruction 3
loop 2

<54>使用MMX/SSE/SSE2時(shí)比較指令設(shè)置的標(biāo)志

當(dāng)與MMX/SSE/SSE2打交道時(shí)，比較指令會產(chǎn)生對標(biāo)志位的設(shè)置。在某些情況下，當(dāng)你搜索一個(gè)文件中的模式(例如換行符)時(shí)，這會很有用。所以你可以使用它來搜索模式，而不僅僅來做數(shù)學(xué)運(yùn)算。你可以使用MMX/SSE/SSE2中比較指令產(chǎn)生的標(biāo)志來控制部分MMX或SSE寄存器上的數(shù)學(xué)運(yùn)算。例如下面的代碼片段：如果有5，把9加到它MMX寄存器的dword部分。
； if (fredvariable == 5)
； fredvariable += 9；
；-------------------------------
movq mm5,[two_fives] ；mm5有兩個(gè)DWORD 5在里面
movq mm6,[two_nines] ；mm6有兩個(gè)DWORD 9在里面
movq mm0,[array_in_memory] ；取值
movq mm1,mm0 ；回寫
pcmpeqd mm1,mm5 ；mm1現(xiàn)在在每個(gè)DWORD位置都為FFFFFFFF
；在MM1有一個(gè)5，其他所有位置都為0
pand mm1,mm6 ；把MM6中不為5的位置置0
paddd mm0,mm1 ；只向MM0中值為5的位置加9

<55>PSHUFD和PUSHFW指令

在P4的MMX,SSE和SSE2中，移動指令(MOV系列)速度慢。你可以在SSE和SSE2中使用"pushfd"，MMX中使用"pushfw"來避免如上情況。它快2指令周期呢。但有一個(gè)警告：它是與微指令被分配加載到哪個(gè)流水線有關(guān)的。而沒有掌握更多技術(shù)的時(shí)候，有時(shí)使用慢點(diǎn)的"MOVDQA"會比替代它的"PUSHFD"快。所以你要對你的代碼精打細(xì)算。
pushfd xmm0,[edi],0E4h ；拷貝EDI指向位置的16字節(jié)到XMM0。0E4h會直接拷貝。
pushfw mm0,[edi],0E4h ；拷貝EDI指向位置的8字節(jié)到MM0。0E4h會直接拷貝。

<56>直接寫內(nèi)存---繞開緩存(cache)

這是另一個(gè)優(yōu)化內(nèi)存處理的策略。如果你必須向許多內(nèi)存空間(256KB及以上)進(jìn)行寫操作，繞開緩存直接向內(nèi)存寫更快！如果你的CPU是P3，你可以使用"movntq"或"movntps"指令。前者執(zhí)行8字節(jié)的寫操作，而后者是16字節(jié)。16-byte寫需要16字節(jié)對齊。在P4上，你還可以使用"movntdq"，它也可以用于16字節(jié)，但必須16字節(jié)對齊。這個(gè)方法在內(nèi)存填充和內(nèi)存拷貝中均適用，二者都做寫操作。這里有一些樣本代碼。我必須自己動手并行使用8個(gè)XMM寄存器來幫助消除P4機(jī)MOVDQA指令的一些延遲。然而，為了幫助理解，我沒那么做。
mov ecx,16384 ；寫16384個(gè)16-bit值，16384*16 = 256KB
；所以我們正在拷貝一個(gè)256KB的數(shù)組
mov esi,offset src_arr ；指向必須以16-bit對齊的源數(shù)組的指針，否則會產(chǎn)生異常
mov edi,offset dst_arr ；指向必須以16-bit對齊的目的數(shù)組的指針，否則會產(chǎn)生異常
looper:
movdqa xmm0,[esi] ；工作在P3及以上
movntps [edi],xmm0 ；工作在P3及以上
add esi,16
add edi,16
dec ecx
jnz looper

<57>使用MMX/SSE/SSE2時(shí)每個(gè)循環(huán)處理2個(gè)事件

在P4上，MMS/SSE/SSE2指令的延遲那么長以至于我總是每個(gè)循環(huán)處理2個(gè)事件或者提前讀取一個(gè)循環(huán)。如果你有足夠的寄存器，可以多于2個(gè)事件。所有的各種各樣的MOVE(包括MOVD)指令在P4上的速度都慢。所以2個(gè)32-bit的數(shù)字?jǐn)?shù)組相加運(yùn)算在P4上比P3上還慢。一個(gè)快點(diǎn)兒的方法可能就是每個(gè)循環(huán)(這個(gè)循環(huán)在FRED標(biāo)號之前預(yù)讀循環(huán)初始值MM0和MM1)處理兩個(gè)事件。你必須做的只是在數(shù)組元素個(gè)數(shù)為奇時(shí)進(jìn)行特殊的處理；在最后檢查一下，如果為奇數(shù)，加一個(gè)額外的dword。這兒有個(gè)并沒有提前讀取值的代碼段。我想，把它改為提前讀取值是很容易的，所以我沒有兩個(gè)都貼出。下面的代碼可以：在P4機(jī)上避免ADC這個(gè)速度慢的指令來把兩個(gè)數(shù)組相加。
pxor mm7,mm7 ； the previous loops carry stays in here
fred:
movd mm0,[esi] ； esi points to src1
movd mm1,[edi] ； edi points to src2, also to be used as the destination
paddq mm0,mm1 ； add both values together
paddq mm0,mm7 ； add in remainder from last add
movd [edi],mm0 ； save value to memory
movq mm7,mm0
psrlq mm7,32 ； shift the carry over to bit 0
add esi,8
add edi,8
sub ecx,1
jnz fred
movd [edi],mm7 ； save carry

<58>預(yù)讀MMX或XMM寄存器來規(guī)避長時(shí)間的延遲

在需要之前預(yù)讀一個(gè)SSE2寄存器會提升速度。這是因?yàn)镸OVDQA指令在P4上花費(fèi)6 cycles。這確實(shí)慢。鑒于它有如此長之延遲，我想在確定不會產(chǎn)生阻礙的地方提前讀取它。這里有一個(gè)例子。

movdqa xmm1,[edi+16] ；在我們需要之前讀取入XMM1，P4上花費(fèi)6 cycles，不包括從緩存取的時(shí)間。
por xmm5,xmm0 ；做OR運(yùn)算，XMM0已預(yù)讀。P4上花費(fèi)2 cycles。
pand xmm6,xmm0 ；做AND運(yùn)算，XMM0已預(yù)讀。P4上花費(fèi)2 cycles。
movdqa xmm2,[edi+32] ；在我們需要之前預(yù)讀入XMM2，P4上花費(fèi)6 cycles，不包括從緩存取的時(shí)間。
por xmm5,xmm1 ；做OR運(yùn)算，XMM1已預(yù)讀。P4上花費(fèi)2 cycles。
pand xmm6,xmm1 ；做AND運(yùn)算，XMM1已預(yù)讀。P4上花費(fèi)2 cycles。

<59>在一個(gè)或多個(gè)寄存器中累加一個(gè)結(jié)果來避免執(zhí)行慢的指令

在一個(gè)或多個(gè)寄存器中累加一個(gè)結(jié)果來避免執(zhí)行慢的指令。我用這個(gè)策略加速用SSE2寫的比較/讀循環(huán)。比較慢的指令是PMOVMSKB。所以，我累加結(jié)果在一個(gè)寄存器中而不是每次循環(huán)都執(zhí)行這個(gè)指令。對每個(gè)4KB的內(nèi)存讀操作，我會用PMOVMSKB，它會很大地提速。下面我們通過分析一個(gè)使用PREFETCH和TLB啟動的例子來證明。下面的代碼有2個(gè)循環(huán)。內(nèi)層循環(huán)被展開來處理128字節(jié)(P4機(jī)上PREFETCH指令的預(yù)取字節(jié)數(shù))。另一個(gè)循環(huán)被展開為4KB。所以我可以使用TLB啟動。如果你使用的系統(tǒng)沒有使用4KB頁大小，你不得不適當(dāng)?shù)匦薷哪愕拇a。在擁有最大6.4 GB/s內(nèi)存帶寬的戴爾服務(wù)器(Dell Server)系統(tǒng)上，我測試了這段代碼。我能夠以5.55 GB/s做讀和比較操作(在沒有Windows環(huán)境下。在Windows環(huán)境下會運(yùn)行地慢點(diǎn))。我遺漏標(biāo)號"compare_failed"的代碼有2個(gè)原因：1)剪切/粘貼的代碼已經(jīng)夠多了；2)它沒有論證任何我要展現(xiàn)的技術(shù)。"compare_failed"的代碼只是簡單地(在PCMPEQD找到失敗地址所屬的最近的4KB內(nèi)存塊后)做一個(gè)REP SCASD來找到失敗的地址。這個(gè)例子有非常巨大的代碼量，所以我把它放在最后以免你讀它的時(shí)候睡著；)(譯者注：感覺下面的代碼注釋翻譯出來有點(diǎn)別扭，而且原文也不難理解。故略。)

read_compare_pattern_sse2 proc near

mov edi,[start_addr] ；Starting Address
mov ecx,[stop_addr] ；Last addr to NOT test.
mov ebx,0FFFFFFFFh ；AND mask
movd xmm6,ebx ；AND mask
pshufd xmm6,xmm6,00000000b ；AND mask
movdqa xmm0,[edi] ；Get first 16 bytes
mov eax,[pattern] ；EAX holds pattern
pxor xmm5,xmm5 ；OR mask
movd xmm7,eax ；Copy EAX to XMM7
pshufd xmm7,xmm7,00000000b ；Blast to all DWORDS
outer_loop:
mov ebx,32 ；128 32 byte blocks
mov esi,edi ；save start of block

if DO_TLB_PRIMING
mov eax,[edi+4096] ；TLB priming
endif ；if DO_TLB_PRIMING

fred_loop:
movdqa xmm1,[edi+16] ；read 16 bytes
por xmm5,xmm0 ；OR into mask
pand xmm6,xmm0 ；AND into mask

movdqa xmm2,[edi+32] ；read 16 bytes
por xmm5,xmm1 ；OR into mask
pand xmm6,xmm1 ；AND into mask

movdqa xmm3,[edi+48] ；read 16 bytes
por xmm5,xmm2 ；OR into mask
pand xmm6,xmm2 ；AND into mask

movdqa xmm0,[edi+64] ；read 16 bytes
por xmm5,xmm3 ；OR into mask
pand xmm6,xmm3 ；AND into mask

movdqa xmm1,[edi+80] ；read 16 bytes
por xmm5,xmm0 ；OR into mask
pand xmm6,xmm0 ；AND into mask

movdqa xmm2,[edi+96] ；read 16 bytes
por xmm5,xmm1 ；OR into mask
pand xmm6,xmm1 ；AND into mask

movdqa xmm3,[edi+112] ；read 16 bytes
por xmm5,xmm2 ；OR into mask
pand xmm6,xmm2 ；AND into mask

por xmm5,xmm3 ；OR into mask
prefetchnta [edi+928] ；Prefetch 928 ahead
pand xmm6,xmm3 ；AND into mask

add edi,128 ；Go next 128byteblock
cmp edi,ecx ；At end?
jae do_compare ；No, jump

movdqa xmm0,[edi] ；read 16 bytes

sub ebx,1 ；Incr for inner loop
jnz fred_loop

do_compare:
pcmpeqd xmm5,xmm7 ；Equal?
pmovmskb eax,xmm5 ；Grab high bits in EAX
cmp eax,0FFFFh ；all set?
jne compare_failed ；No, exit failure

mov edx,0FFFFFFFFh ；AND mask
pxor xmm5,xmm5
pcmpeqd xmm6,xmm7 ；Equal?

pmovmskb eax,xmm6 ；Grab high bits in EAX
cmp eax,0FFFFh ；All Set?
jne compare_failed ；No, exit failure

movd xmm6,edx ；AND mask
pshufd xmm6,xmm6,00000000b ；AND mask

cmp edi,ecx ；We at end of range
jb outer_loop ；No, loop back up

jmp compare_passed ；Done!!! Success!!!

<60>在循環(huán)內(nèi)預(yù)取距離和位置

你會注意到，在上面的例子中，我之前預(yù)取了928字節(jié)而不是128字節(jié)(128是P4機(jī)上的預(yù)取字節(jié)數(shù))。為什么？Intel建議在循環(huán)開始前預(yù)取128字節(jié)(2 cache lines)。但兩種不同取法(在循環(huán)開始處或提前預(yù)取128字節(jié))都會出錯(cuò)。我既沒有在循環(huán)開始時(shí)預(yù)取也沒之前預(yù)取128字節(jié)。為什么？當(dāng)我研究這段代碼時(shí)，我發(fā)現(xiàn)把PREFETCH指令放到循環(huán)周圍并且改變它預(yù)取的偏移量可以使它運(yùn)行得更快。所以反常得是，我寫代碼來嘗試所有的循環(huán)內(nèi)預(yù)取指令的位置和開始預(yù)取的偏移量的組合情況。這段代碼寫成一個(gè)匯編文件，而且把周圍的PREFETCH指令移到循環(huán)內(nèi)，同時(shí)修改開始預(yù)取的偏移量。然后一個(gè)bat文件編譯這個(gè)修改的代碼并且運(yùn)行一個(gè)基準(zhǔn)點(diǎn)(benchmark)。我運(yùn)行了這個(gè)基準(zhǔn)點(diǎn)幾個(gè)小時(shí)來嘗試不同的組合情況(我在預(yù)取距離為32時(shí)開始，逐步增加距離直到距離達(dá)到1024)。在此系統(tǒng)上，我寫的基于928字節(jié)而不是128字節(jié)的代碼執(zhí)行地更快。并且，幾乎在循環(huán)結(jié)束處預(yù)取是最快的(在do_compare標(biāo)號之前，PREFETCHNTA指令大約8條line)。
THE END.
txt打包下載 huibianyouhuats_jb51

上一篇：匯編語言無效指令錯(cuò)誤概述

下一篇：匯編語言口算異或xor小結(jié)