如何确定在x86-64程序集中是否使用16字节对齐的地址进入循环？

Question

我已经通读了Agner优化手册第2卷的部分内容。人们反复声明，以16字节对齐方式进入关键热点/循环是多么重要。现在我很难确定循环中的一个条目是否是16字节对齐的。

你是不是应该在进入循环之前把子程序中每个指令的字节开销加起来，看看它是否可以被16除？我查阅了Intel x86-64开发人员手册，但很难从中读出哪些指令有哪些字节长度。指令的字节大小仅仅是操作码的总和吗？那么，在MOV R64/M16和操作码REX.W+8C的情况下，大小会是2字节吗？（一个代表rex.w前缀，一个代表8C)。

考虑下面的代码，假设一些字符串在rdi中作为参数传递，并在。lmerkinationloop中进行操作：

string_fun:
   cmp cl, byte ptr [rdi]
   jz .Lend
   xor rcx, rcx

.LmanipulationLoop
  *some string operathtml" target="_blank">ion*

.Lend
  ret

null

Answer 1

你不需要手动做这件事，汇编程序可以为你做这件事。只有当您想要比仅仅用NOP填充更聪明地在插入填充的点之后对齐一些东西时，手动计算才有用。

通常，您会在标签之前使用.p2align4(GAS)或align16(NASM¹)来让汇编器计算出需要多少填充，并发出一个或多个长nop。（不是11个单字节NOP，这将是可怕的，因为它们必须分别解码）。

和/或使用调试器或反汇编器来检查标签地址，而不是手动计算它，如果您的目标是使用什么方法可以有效地延长现代x86上的指令长度？

实际上最重要的是uop缓存行的32字节边界。对于有循环缓冲区的CPU上的大多数小循环，或者根本没有（但请注意，Skylake/Kaby Lake的LSD被微代码更新禁用，以修复勘误）。如果可以避免从uop缓存中获取前端瓶颈，那么对一个非常关键的循环顶部的32字节对齐可能很有用。或者对于每次迭代可以运行1个循环的小循环，将整个循环放在同一uop缓存行中是必要的（否则前端每次迭代需要两个循环来获取它）。

不幸的是，在Skylake派生的CPU上，循环对齐的主要问题是对齐循环的底部，以绕过一个性能坑洞，在这个坑洞中，JCC或宏融合的compare+分支触及32字节边界会禁用该行的uop缓存。

我修复了源代码中的bug（标签后面缺少:，以及使用32位操作数大小为XOR为零的RCX的性能bug）。虽然在本例中，您可能希望异或rcx，但rcx只是为了使它更长，因为您知道将需要一些NOP字节。rex.w=0会更好，而且不会影响Silvermont的性能。

.intel_syntax noprefix
.p2align 4                  # align the top of the function
string_fun:
   cmp cl, byte ptr [rdi]
   jz .Lend
   xor ecx, ecx             # zeroing ECX implicitly zero-extends into RCX, saving a REX prefix
   lea rsi, [rdi + 1024]    # end pointer

# .p2align 4                # emit padding until a 2^4 boundary
.LmanipulationLoop:           # do {
   movdqu  xmm0, [rdi]
      # Do something like pcmpeqb / pmovmskb with the string bytes ...
   add    rdi, 16
   cmp    rdi, rsi
   jb    .LmanipulationLoop   # }while(p < endp);

.Lend:
  ret

使用gcc-wa、--keep-locals-c foo.s或作为--keep-locals foo.s.
--keep-locals使.l标签在对象文件的符号表中可见。

然后使用objdump-drwc-Mintel foo.o反汇编：

0000000000000000 <string_fun>:
   0:   3a 0f                   cmp    cl,BYTE PTR [rdi]
   2:   74 16                   je     1a <.Lend>
   4:   31 c9                   xor    ecx,ecx
   6:   48 8d b7 00 04 00 00    lea    rsi,[rdi+0x400]
     # note address of this label, 
     # or without --keep-locals, of the instruction that you know is the loop top
000000000000000d <.LmanipulationLoop>:
   d:   f3 0f 6f 07             movdqu xmm0,XMMWORD PTR [rdi]
  11:   48 83 c7 10             add    rdi,0x10
  15:   48 39 f7                cmp    rdi,rsi
  18:   72 f3                   jb     d <.LmanipulationLoop>       # note the jump target address

000000000000001a <.Lend>:
  1a:   c3                      ret    

0000000000000000 <string_fun>:
   0:   3a 0f                   cmp    cl,BYTE PTR [rdi]
   2:   74 19                   je     1d <.Lend>
   4:   31 c9                   xor    ecx,ecx
   6:   48 8d b7 00 04 00 00    lea    rsi,[rdi+0x400]
   d:   0f 1f 00                nop    DWORD PTR [rax]         # This is new, note that it's *before* the jump target

0000000000000010 <.LmanipulationLoop>:
  10:   f3 0f 6f 07             movdqu xmm0,XMMWORD PTR [rdi]
  14:   48 83 c7 10             add    rdi,0x10
  18:   48 39 f7                cmp    rdi,rsi
  1b:   72 f3                   jb     10 <.LmanipulationLoop>

000000000000001d <.Lend>:
  1d:   c3                      ret    

反汇编.o对象文件不会显示对外部函数调用的正常地址；它还没有链接，所以rel32位移没有被填充。但是-r将显示重新定位信息。并且源文件中的跳转在汇编时得到完全解析。

%use smartalign
alignmode p6, 64