x86_64 - Сглобяване - условия на цикъл и неизправност

Когато оптимизирате за процесори на Intel, винаги поставяйте инструкцията за задаване на флаг точно преди инструкцията за условно прескачане (ако е една от простите, изброени в таблицата по-долу), така че те да могат да се слеят макроси в една uop в декодерите.

Правенето на това не е значително по-лошо за по-стари процесори, които не извършват макросливане. Поставянето на настройката на флага по-рано може да съкрати наказанието за неправилно предвиждане на клона с едно за такива процесори, но изпълнението извън реда означава, че преместването на dec няколко инструкции по-рано няма да има реална разлика. Вижте също Избягвайте спирането на конвейера, като изчислявате условно рано. За да направите наистина разлика, вие правите неща като разгръщане на цикъла и/или разклоняване на нещо, което може да се изчисли по-просто, в идеалния случай без зависимост от бавен вход, така че OoO exec може да има разклонението вече разрешено, докато работи върху по-стари итерации на тялото на цикъла. т.е. деп-веригата на брояча на цикъла може да работи преди основната работа.

Нямам бенчмаркове, но не мисля, че малкият недостатък на все по-редките процесори оправдава пропускането на предимството на пропускателната способност на предния край (декодиране и проблем) за процесори, които правят синтез. Общата пропускателна способност на uop често може да бъде тясно място.

AMD Bulldozer/Piledriver/Steamroller може да слее test/cmp с който и да е jcc, но само test/cmp, не и други ALU инструкции. Така че определено се сравнява с клонове. Все още е ценно за процесорите на Intel да поставят други неща с разклонения, ако могат да се свържат с макро предпазител на sandybridge-family.

От ръководството за микроарки на Agner Fog, таблица 9.2 (за Sandybridge / Ivybridge):

First       | can pair with these  |  cannot pair with
instruction | (and the inverse)    |
---------------------------------------------
cmp         |jz, jc, jb, ja, jl, jg|   js, jp, jo
add, sub    |jz, jc, jb, ja, jl, jg|   js, jp, jo
adc, sbb    |none                  |
inc, dec    |jz, jl, jg            |   jc, jb, ja, js, jp, jo
test        | all                  |
and         | all                  |
or, xor, not, neg | none           |
shift, rotate     | none           |

Table 9.2. Instruction fusion

Така че основно inc/dec може да се слее макрос с jcc, стига условието да зависи само от битове, които са модифицирани от inc/dec.

(В противен случай те не се обединяват с макроси и получавате вмъкнат допълнителен uop за обединяване на флаговете (като когато четете eax след запис на al). Или при по-стари процесори частичните флагове спират.)

Core2 / Nehalem бяха по-ограничени по отношение на възможностите за макросливане (само за CMP/TEST с по-ограничени JCC комбинации), а Core2 изобщо не можеше да слее макроси в 64-битов режим.

Прочетете и ръководствата за оптимизиране на asm и C на Agner Fog, ако още не сте го направили. Те са пълни с основни знания.