想象一下如下所示的加载存储循环，它从非连续位置加载DWORD并连续存储它们：
top:
mov eax, DWORD [rsi]
mov DWORD [rdi], eax
mov eax, DWORD [rdx]
mov DWORD [rdi + 4], eax
; unroll the above a few times
; increment rdi and rsi somehow
cmp ...
jne top
在现代的英特尔和AMD硬件上，当在缓存中运行时，这样的循环通常会在每个周期的一个商店中阻塞一个商店。这有点浪费，因为那只是2的IPC（一个商店，一个负载）。
自然产生的一个想法是将两个DWORD加载组合到单个QWORD商店中，这是可能的，因为商店是连续的。这样的事情可以奏效：
top:
mov eax, DWORD [rsi]
mov ebx, DWORD [rdx]
shl rbx, 32
or rax, rbx
mov QWORD [rdi]
基本上做两个加载并使用两个ALU操作将它们组合成一个QWORD，我们可以用一个商店存储它们。现在我们在uops上遇到瓶颈：每2 DWORD个5 uop - 所以每QWORD个1.25个周期或每DWORD个0.625个周期。
已经比第一个选项好多了，但我不禁认为这个改组有更好的选择 - 例如，我们通过使用普通负载浪费uop吞吐量 - 它感觉就像我们应该能够将至少一些ALU操作与具有内存源操作数的负载组合在一起，但我在英特尔上大多受到阻碍：内存上的shl只有RMW形式，shlx和rolx不要微融合。
似乎我们可以通过使QWORD加载-4负载偏移DWORD来获得免费转换，但是我们将在加载中清除垃圾{{1} }。
我对基本x86-64指令集和更好版本的标量代码和代码感兴趣，如果可能的话，使用BMI等有用的扩展。
答案 0 :(得分：4)
似乎我们可以通过使第二次加载QWORD加载偏移量为-4来获得免费转换，但是我们将在加载DWORD中清除垃圾。
如果更宽的负载对于正确性和性能（缓存行拆分......）是正确的，我们可以使用shld
top:
mov eax, DWORD [rsi]
mov rbx, QWORD [rdx-4] ; unaligned(?) 64-bit load
shld rax, rbx, 32 ; 1 uop on Intel SnB-family, 0.5c recip throughput
mov QWORD [rdi], rax
MMX punpckldq mm0, [mem] SnB系列微型保险丝（包括Skylake）。
top:
movd mm0, DWORD [rsi]
punpckldq mm0, QWORD [rdx] ; 1 micro-fused uop on Intel SnB-family
movq QWORD [rdi], mm0
; required after the loop, making it only worth-while for long-running loops
emms
punpckl指令有一个向量宽度的内存操作数，而不是半宽。这通常会破坏它们的用途，否则它们将是完美的（特别是必须对齐16B内存操作数的SSE2版本）。但请注意，MMX版本（仅具有qword内存操作数）没有对齐要求。
您也可以使用128位AVX版本，但这更有可能跨越缓存行边界并且速度很慢。 （Skylake不会通过仅加载所需的8个字节进行优化;具有对齐mov + vpunckldq xmm1, xmm0, [cache_line-8]的循环每2个时钟运行1 iter，对齐每个时钟1 iter。）AVX版本是如果16字节的负载进入未映射的页面，则需要进行故障，因此如果没有来自加载端口的额外支持，它就不能使用更窄的负载。 ：/
这种令人沮丧和无用的设计决策（大概是在加载端口可以免费零扩展之前做出的，而不是用AVX修复）。至少我们有movhps作为内存来源punpcklqdq的替代品，但实际上洗牌的较窄宽度无法替换。
为避免CL拆分，您还可以使用单独的movd加载和punpckldq或SSE4.1 pinsrd。有了这个，MMX没有理由。
top:
movd xmm0, DWORD [rsi]
movd xmm1, DWORD [rdx] ; SSE2
punpckldq xmm0, xmm1
; or pinsrd xmm0, DWORD [rdx], 1 ; 2 uops not micro-fused
movq QWORD [rdi], xmm0
显然AVX2 vpgatherdd是可能的，并且可能在Skylake上表现良好。