这是我的代码汇编程序
你能用c ++嵌入它并检查SSE4吗？速度
我非常希望看到如何进入SSE4的发展。或者根本不担心他？我们来检查一下（我没有SSSE3以上的支持）
{ sse2 strcmp WideChar 32 bit }
function CmpSee2(const P1, P2: Pointer; len: Integer): Boolean;
asm
push ebx // Create ebx
cmp EAX, EDX // Str = Str2
je @@true // to exit true
test eax, eax // not Str
je @@false // to exit false
test edx, edx // not Str2
je @@false // to exit false
sub edx, eax // Str2 := Str2 - Str;
mov ebx, [eax] // get Str 4 byte
xor ebx, [eax + edx] // Cmp Str2 4 byte
jnz @@false // Str <> Str2 to exit false
sub ecx, 2 // dec 4
{ AnsiChar : sub ecx, 4 }
jbe @@true // ecx <= 0 to exit true
lea eax, [eax + 4] // Next 4 byte
@@To1:
movdqa xmm0, DQWORD PTR [eax] // Load Str 16 byte
pcmpeqw xmm0, DQWORD PTR [eax+edx] // Load Str2 16 byte and cmp
pmovmskb ebx, xmm0 // Mask cmp
cmp ebx, 65535 // Cmp mask
jne @@Final // ebx <> 65535 to goto final
add eax, 16 // Next 16 byte
sub ecx, 8 // Skip 8 byte (16 wide)
{ AnsiChar : sub ecx, 16 }
ja @@To1 // ecx > 0
@@true: // Result true
mov eax, 1 // Set true
pop ebx // Remove ebx
ret // Return
@@false: // Result false
mov eax, 0 // Set false
pop ebx // Remove ebx
ret // Return
@@Final:
cmp ecx, 7 // (ebx <> 65535) and (ecx > 7)
{ AnsiChar : cmp ecx, 15 }
jae @@false // to exit false
movzx ecx, word ptr @@mask[ecx * 2 - 2] // ecx = mask[ecx]
and ebx, ecx // ebx = ebx & ecx
cmp ebx, ecx // ebx = ecx
sete al // Equal / Set if Zero
pop ebx // Remove ebx
ret // Return
@@mask: // array Mersenne numbers
dw $000F, $003F, $00FF, $03FF, $0FFF, $3FFF
{ AnsiChar
dw 7, 15, 31, 63, 127, 255, 511, 1023, 2047, 4095, 8191, 16383
}
end;
Semple 32bit https://vk.com/doc297044195_451679410
答案 0 :(得分：11)
您调用了函数strcmp，但您实际实现的是需要对齐的memcmp(const void *a, const void *b, size_t words)。如果指针不是16B对齐，则movdqa和pcmpeqw xmm0, [mem]都会出错。 （实际上，如果a+4没有16B对齐，因为你执行前4个标量并增加4个字节。）
使用正确的启动代码和movdqu，您可以处理任意对齐（到达要用作pcmpeqw的内存操作数的指针的对齐边界）。为方便起见，您可能要求两个指针都以宽字符对齐开头，但您不需要（特别是因为您只是返回true / false，而不是negative / 0 /
positive作为排序顺序。）
您正在询问SSE2 pcmpeqw与pcmpistrm的效果，对吗？ （显式长度的SSE4.2指令，如pcmpestrm have worse throughput than the implicit-length versions，所以当你不接近字符串的末尾时，请在主循环中使用隐式长度版本。请参阅Agner Fog's instruction tables和微架构指南）。
对于memcmp（或经过精心实施的strcmp），使用SSE4.2可以做到的最好比在大多数CPU上使用SSE2（或SSSE3）做得最好。也许对于很短的字符串很有用，但对于memcmp的主循环却没有用。
On Nehalem：pcmpistri是4 uops，2c吞吐量（带有内存操作数），因此没有其他循环开销，它可以跟上内存。 （Nehalem只有1个加载端口）。 pcmpestri的吞吐量为6c：慢3倍。
在Sandybridge通过Skylake，pcmpistri xmm0, [eax]具有3c吞吐量，因此它的速度太慢，无法跟上每个时钟1个向量（2个加载端口）。 pcmpestri大多数都具有4c的吞吐量，所以它并没有那么糟糕。 （也许对最后的部分向量很有用，但在主循环中却没用。）
在Silvermont / KNL上，pcmpistrm是最快的，并且每14个周期吞吐量运行一次，因此对于简单的东西来说它是完全垃圾。
在AMD Jaguar上，pcmpistri是2c吞吐量，因此它实际上可以使用（只有一个加载端口）。 pcmpestri是5c吞吐量，所以很糟糕。
在AMD Ryzen上，pcmpistri也是2c吞吐量，所以它就是废话。 （2个加载端口和每个时钟5个uop前端吞吐量（如果有任何（或全部？）6个uop来自多uop指令）意味着你可以更快。
在AMD Bulldozer系列中，pcmpistri的吞吐量为3c，直到Steamroller，其为5c。 pcmpestri的吞吐量为10c。他们将微编码为7或27 m-ops，因此AMD并没有在其上花费大量的硅。
在大多数CPU上，只有当您充分利用这些内容时，他们才有价值，只有pcmpeq / {{1}才能做到这一点。 } 即可。但是，如果您可以使用AVX2或特别是AVX512BW，即使做更复杂的事情也可能会更快，更广泛的矢量更多指令。 （没有更宽版本的SSE4.2字符串指令。）也许SSE4.2字符串指令对于通常处理短字符串的函数仍然有用，因为宽向量循环通常需要更多的启动/清理开销。此外，在一个不花费很多时间在SIMD循环中的程序中，在一个小功能中使用AVX或AVX512仍然会在接下来的毫秒左右降低最大turbo时钟速度，并且很容易成为净损失。 / p>
良好的内部循环应该是负载吞吐量的瓶颈，或尽可能接近。 pmovmskb / movqdu / pcmpeqw [one-register] / macro-fused-cmp + jcc只有4个融合域uops，因此这在Sandybridge系列CPU上几乎可以实现
有关实现和一些基准测试，请参阅https://www.strchr.com/strcmp_and_strlen_using_sse_4.2，但对于C样式的隐式长度字符串，您必须检查pmovmskb个字节。看起来您正在使用显式长度字符串，因此在检查长度相等后，它只是0。 （或者我想如果你需要找到排序顺序而不仅仅是等于/不等于，你必须将memcmp输出到更短的字符串的末尾。）
对于具有8位字符串的strcmp，在大多数CPU上，不使用SSE4.2字符串指令会更快。有关某些基准测试（隐式长度字符串版本），请参阅strchr.com文章的评论。例如，glibc没有使用memcmp的SSE4.2字符串指令，因为它们在大多数CPU上都不会更快。尽管如此，它们可能是strcmp的胜利。
glibc有几个SSE2 / SSSE3 asm strstr和memcmp implementations。 （它的LGPLed，所以你不能只将它复制到非GPL项目中，但要看看它们的作用。）一些字符串函数（如strlen）仅按每64字节分支，并且然后回来找出缓存行中的哪个字节有命中。但他们的memcmp实现只是用movdqu / strcmp展开。您可以使用pcmpeqb，因为您想知道第一个16位元素的位置，而不是第一个字节。
您的SSE2实施可能更快。您应该使用带有movdqa的索引寻址模式，因为它不会与pcmpeqw微融合（在Intel Sandybridge / Ivybridge上;在Nehalem或Haswell +上很好），但是pcmpeqw将保持微融合而不会发生分层。 / p>
您应该展开几次以减少循环开销。您应该将指针增量与循环计数器结合使用，以便pcmpeqw xmm0, [eax]代替cmp/jb：在更多CPU上进行宏融合，并避免编写寄存器（减少寄存器重命名所需的物理寄存器数量） ）。
您在Intel Sandybridge / Ivybridge上的内循环将会运行
sub/ja这是7个融合域uops，因此它只能在主流Intel CPU的每次迭代中以最佳7/4周期从前端发出。这远远不是每个时钟2个负载的瓶颈。在Haswell以及之后，每次迭代它的周期为6/4周期，因为索引寻址模式可以与2操作数加载修改指令（如@@To1:
movdqa xmm0, DQWORD PTR [eax] // 1 uop
pcmpeqw xmm0, DQWORD PTR [eax+edx] // 2 uops on Intel SnB/IvB, 1 on Nehalem and earlier or Haswell and later.
pmovmskb ebx, xmm0 // 1 uop
cmp ebx, 65535
jne @@Final // 1 uop (macro-fused with cmp)
add eax, 16 // 1 uop
sub ecx, 8
{ AnsiChar : sub ecx, 16 }
ja @@To1 // 1 uop (macro-fused with sub on SnB and later, otherwise 2)
）保持微融合，但不能保留其他任何内容（如{{1} （不读取目的地）或AVX pcmpeqw（3个操作数））。请参阅Micro fusion and addressing modes。
对于具有更好设置/清理功能的小字符串，这可能更有效。
在指针设置代码中，如果先检查NULL指针，则可以保存pabsw xmm0, [eax+edx]。您可以vpcmpeqw xmm0, xmm0, [eax+edx] / cmp减去和检查两者是否与相同的宏融合比较和分支相等。 （它只会在英特尔Sandybridge系列上进行宏观融合，只有Haswell可以在一个解码模块中进行2次宏观融合。但是Haswell / Broadwell / Skylake CPU很常见并且变得越来越常见，这对其他产品没有任何不利影响。 CPU除非等指针非常常见，否则首先进行检查很重要。）
在返回路径中：尽可能使用xor eax,eax to zero a register，而不是sub。
你似乎不会避免从字符串末尾读取。您应该使用最终位于页面末尾的字符串来测试您的函数，其中下一页是未映射的。
对于早期的标量测试， jne优于mov eax, 0。 xor ebx, [eax + edx]可以与jcc进行宏观融合，但cmp可以＆＃t}。
您加载一个掩码来处理清理，以覆盖您读取字符串末尾的情况。你可能仍然可以使用通常的cmp/jnz来找到位图中的第一个区别。我想用xor反转它以找到没有比较相等的第一个位置，并检查它是否小于剩余的字符串长度。
或者您可以使用bsf和not动态生成蒙版。或者，为了加载它，您有时可以使用滑动窗口进入mov eax, -1数组，但是您需要子字节偏移以便不起作用。 （它适用于矢量蒙版，如果你想掩盖并重做shr。Vectorizing with unaligned buffers: using VMASKMOVPS: generating a mask from a misalignment count? Or not using that insn at all）。
你的方式并不坏，只要它没有缓存未命中。我可能会动态生成面具。也许之前在另一个寄存器中的循环，因为你可以掩码得到...,0,0,0,-1,-1,-1,...，所以掩码生成可以与循环并行发生。