使用 SIMD 内在函数时，这些额外的反汇编指令是什么？

Question

我正在测试通过 RyuJIT 使用 SIMD 指令可以获得什么样的加速，我看到了一些我没想到的反汇编指令。我将代码基于来自 RyuJIT 团队的 Kevin Frei 的this blog post，以及相关的帖子here。函数如下：

static void AddPointwiseSimd(float[] a, float[] b) {
    int simdLength = Vector<float>.Count;
    int i = 0;
    for (i = 0; i < a.Length - simdLength; i += simdLength) {
        Vector<float> va = new Vector<float>(a, i);
        Vector<float> vb = new Vector<float>(b, i);
        va += vb;
        va.CopyTo(a, i);
    }
}

我正在查询的反汇编部分将数组值复制到Vector<float>。大部分反汇编与 Kevin 和 Sasha 的帖子中的类似，但我强调了一些额外的说明（以及我混淆的注释），这些说明没有出现在他们的反汇编中：

;// Vector<float> va = new Vector<float>(a, i);
  cmp eax,r8d              ; <-- Unexpected - Compare a.Length to i?
  jae 00007FFB17DB6D5F     ; <-- Unexpected - Jump to range check failure
  lea r10d,[rax+3] 
  cmp r10d,r8d 
  jae 00007FFB17DB6D5F 
  mov r11,rcx              ; <-- Unexpected - Extra register copy?
  movups xmm0,xmmword ptr [r11+rax*4+10h  ]

;// Vector<float> vb = new Vector<float>(b, i);
  cmp eax,r9d              ; <-- Unexpected - Compare b.Length to i?
  jae 00007FFB17DB6D5F     ; <-- Unexpected - Jump to range check failure
  cmp r10d,r9d 
  jae 00007FFB17DB6D5F 
  movups xmm1,xmmword ptr [rdx+rax*4+10h]

注意循环范围检查符合预期：

;// for (i = 0; i < a.Length - simdLength; i += simdLength) {
  add eax,4  
  cmp r9d,eax  
  jg loop

所以我不知道为什么要与eax 进行额外比较。谁能解释为什么我会看到这些额外的说明以及是否可以摆脱它们。

如果它与项目设置有关，我有一个非常相似的项目显示相同的问题here on github（请参阅FloatSimdProcessor.HwAcceleratedSumInPlace() 或UShortSimdProcessor.HwAcceleratedSumInPlaceUnchecked()）。

Answer 1

我将注释我看到的代码生成，对于像 Haswell 这样支持 AVX2 的处理器，它一次可以移动 8 个浮点数：

00007FFA1ECD4E20  push        rsi
00007FFA1ECD4E21  sub         rsp,20h  

00007FFA1ECD4E25  xor         eax,eax                       ; i = 0
00007FFA1ECD4E27  mov         r8d,dword ptr [rcx+8]         ; a.Length
00007FFA1ECD4E2B  lea         r9d,[r8-8]                    ; a.Length - simdLength
00007FFA1ECD4E2F  test        r9d,r9d                       ; if (i >= a.Length - simdLength)
00007FFA1ECD4E32  jle         00007FFA1ECD4E75              ; then skip loop 

00007FFA1ECD4E34  mov         r10d,dword ptr [rdx+8]        ; b.Length
00007FFA1ECD4E38  cmp         eax,r8d                       ; if (i >= a.Length)
00007FFA1ECD4E3B  jae         00007FFA1ECD4E7B              ; then OutOfRangeException
00007FFA1ECD4E3D  lea         r11d,[rax+7]                  ; i+7
00007FFA1ECD4E41  cmp         r11d,r8d                      ; if (i+7 >= a.Length)
00007FFA1ECD4E44  jae         00007FFA1ECD4E7B              ; then OutOfRangeException

00007FFA1ECD4E46  mov         rsi,rcx                       ; move a[i..i+7]
00007FFA1ECD4E49  vmovupd     ymm0,ymmword ptr [rsi+rax*4+10h]  

00007FFA1ECD4E50  cmp         eax,r10d                      ; same as above 
00007FFA1ECD4E53  jae         00007FFA1ECD4E7B              ; but for b
00007FFA1ECD4E55  cmp         r11d,r10d  
00007FFA1ECD4E58  jae         00007FFA1ECD4E7B  
00007FFA1ECD4E5A  vmovupd     ymm1,ymmword ptr [rdx+rax*4+10h]  

00007FFA1ECD4E61  vaddps      ymm0,ymm0,ymm1                ; a[i..] + b[i...]
00007FFA1ECD4E66  vmovupd     ymmword ptr [rsi+rax*4+10h],ymm0  

00007FFA1ECD4E6D  add         eax,8                         ; i += 8
00007FFA1ECD4E70  cmp         r9d,eax                       ; if (i < a.Length)
00007FFA1ECD4E73  jg          00007FFA1ECD4E38              ; then loop

00007FFA1ECD4E75  add         rsp,20h  
00007FFA1ECD4E79  pop         rsi  
00007FFA1ECD4E7A  ret  

所以 eax 比较的是博客文章中提到的那些“讨厌的绑定检查”。博客文章提供了一个尚未实际实现的优化版本，实际代码现在检查同时移动的 8 个浮点数的第一个和最后一个索引。博客文章中的评论“希望我们能够充分加强边界检查消除工作”是一项未完成的任务:)

mov rsi,rcx 指令也出现在博客文章中，似乎是寄存器分配器的限制。可能受RCX作为重要寄存器的影响，它通常存储this。我认为，做这项工作以优化这一点并不重要，寄存器到寄存器的移动需要 0 个周期，因为它们只影响寄存器重命名。

请注意 SSE2 和 AVX2 之间的区别是多么难看，虽然代码一次移动并添加了 8 个浮点数，但实际上只使用了其中的 4 个。 Vector<float>.Count 是 4，不管处理器的风格如何，在桌面上留下 2x 性能。我猜很难隐藏实现细节。