clang：有没有办法指定 c11 原子操作中使用的低级指令？

Question

我可以告诉 clang “使用 xxx 指令”或“不要使用 yyy 指令”进行内置或 C11 原子操作（假设有替代方案）？

[编辑] 可以重现性能回归的微基准：a naive rwlock。

这一切都始于最近升级到 clang 9.0。我的程序中有一些性能下降，所以我尝试检查生成的指令。令人惊讶的是，clang 在用于原子函数的指令方面发生了很大变化（c11 在 x86_64 上的 atomic_fetch_{add,sub}）。

使用 clang 8，它都会生成 lock addl 和 lock subl。但是clang 9切换到lock incl和lock decl用于+1和-1，lock xadd用于其他数字（至少用于加法。我没有检查是否有xsub，或者subl仍然存在）。 inc/xadd/add 指令通常具有相同的速度，但在某些情况下，我观​​察到lock addl 的效率更高。无论如何，我不打算讨论一个 insn 是否可以比另一个更快。既然clang 8用过，最好有办法继续用。

我尝试使用内联汇编来强制使用lock addl，但由于内联汇编阻止了一些优化，因此很难充分利用其效率。理想的解决方案是告诉编译器以旧方式进行。

我没有在这里发布任何代码，因为问题不在于提高性能。但我想将代码分享给任何愿意验证性能问题的人。

[更新] 我在 Broadwell 和 Skylake 上都对其进行了测试。性能回归仅在某些工作负载下可见。我不确定它是否真的与指令或 clang8/9 进行优化的方式有关。

Answer 1

您可以在 clang 的错误跟踪器上报告性能回归，特别是如果您可以使用 GCC9 生成一个较慢的 MCVE / [mcve]，原因与您的主代码相同。

如果不使用内联 asm 完全自己完成，通常无法强制编译器的指令选择选择。

但调整选项可能是相关的，例如-march=native 调整您的硬件。 （-march=haswell 或 -march=native on 一个 haswell，例如设置 -mtune=haswell 以及启用您拥有的所有 ISA 扩展。）

例如gcc 或 clang 通常有时会避免使用inc，但在为没有问题的特定 CPU 进行编译时使用它。 （不谈lock 版本，只谈inc reg）。

这里的情况似乎是这样：使用-march=skylake 让clang9.0 使用lock inc 而不是lock add [mem], 1，但在Godbolt 上却没有使用clang8.0。（只有-O3，clang9.0仍然使用lock add/sub)

inc reg 在现代 x86 上很好（Silvermont / KNL 除外），但inc mem（无锁）在 Intel CPU 上需要额外的微指令：没有加载+添加微指令的微融合，只有存储部分（https://agner.org/optimize/ 和 https://uops.info/）。如果lock inc 与lock add 相比更糟，或者您看到其他效果，IDK。 INC instruction vs ADD 1: Does it matter?

根据https://uops.info/，lock add m32, imm8 与 Skylake 上的lock inc m32 有 相同 uop 计数 (8)、延迟和吞吐量。 在 Haswell 上少了一个-end uop，就像没有锁前缀的区别。但这不太可能影响吞吐量。我没有检查其他的uarches，你也没有说你有什么CPU。

我不会真正推荐-march=skylake -mtune=generic：它可能会解决这个代码生成问题，但可能会导致您的其余代码做出更糟糕的调整决策。除了它甚至不起作用之外，我想 clang 在处理拱形和调整选项的方式上与 GCC 不同。我想您可以完全避免使用 March 选项并将 -mtune 保留为默认值，而只需启用 -mavx2 -mfma -mpopcnt -mbmi -mbmi2 -maes -mcx16 和您的 CPU 具有的任何其他相关 ISA 扩展。

---

和lock xadd 用于其他数字（至少用于加法...

您确定您仍然为新编译器启用优化吗？

当--*p或atomic_fetch_add(p, -2)的结果未被使用时，clang 9.0仍然使用lock dec或lock sub。如果我禁用优化，我只能让clang使用lock xadd，使周围的代码变成完全垃圾。

或者启用优化，通过返回结果。 IDK，也许在更复杂的函数中，clang9.0 改变了一些东西，这意味着它没有在你的代码中找到相同的优化，并使用lock xadd 将旧值放入寄存器。如果它决定不积极内联，可能会将其返回给忽略它的调用者。

lock xadd 肯定比lock add 或lock sub 慢，但clang 不会使用它，除非它必须（或者如果你禁用优化）。

clang8.0 -O3 -march=skylake 与 clang9.0 -O3 -march=skylake 的 asm 输出（不包括 ret）(Godbolt)

#include <stdatomic.h>

void incmem(int *p) { ++*p; }
    clang8:     addl   $1, (%rdi)       clang9:  incl    (%rdi)

void atomic_inc(_Atomic int *p) { ++*p; }
    clang8: lock addl  $1, (%rdi)       clang9: lock incl (%rdi)

void atomic_dec(_Atomic int *p) { --*p; }
    clang8: lock subl  $1, (%rdi)       clang9: lock decl (%rdi)

void atomic_dec2(_Atomic int *p) {
    atomic_fetch_add(p, -2);
}
    clang8: lock addl  $-2, (%rdi)      clang9: lock addl $-2, (%rdi)


// returns the result
int fetch_dec(_Atomic int *p) { return --*p; }
    clang8:                                    clang9:
        movl  $-1, %eax                            movl  $-1, %eax
        lock xaddl   %eax, (%rdi)                  lock  xaddl %eax, (%rdi)
        addl  $-1, %eax                            decl    %eax
        retq

禁用优化后，clang 8 和 9 与 -O0 -march=skylake 生成完全相同的代码：

# both clang8 and 9 with  -O0 -march=skylake
atomic_dec2:
        pushq   %rbp
        movq    %rsp, %rbp
        movq    %rdi, -8(%rbp)
        movq    -8(%rbp), %rax
        movl    $-2, -12(%rbp)
        movl    -12(%rbp), %ecx
        lock    xaddl   %ecx, (%rax)      # even though result is unused
        movl    %ecx, -16(%rbp)
        popq    %rbp
        retq