为什么strcpy的实现需要更多时间？

Question

我是汇编语言的新手。我用masm编写了两个strcpy实现;一个使用 rsi 和 rdi ，另一个不使用。后者花费的时间更少。似乎建议使用 rsi 和 rdi 来复制数据，而后者比前者具有更大的循环部分。但是当我测量性能时，前者花费的时间更多。为什么前者花费更多时间，以及在x86-64汇编中处理字符串的推荐方法（推荐指令或寄存器）是什么？

strcpy使用 rsi 和 rdi ：

custom_strcpy proc

    mov     rsi,    rdx
    mov     rdi,    rcx
    mov     rax,    rdi

_loop:

    movsb
    mov     r8d,    [rsi]
    cmp     r8d,    0
    jne     _loop

_end:

    mov     byte ptr[rdi],  0
    ret


custom_strcpy endp

strcpy没有使用 rsi 和 rdi ：

custom_strcpy proc

    mov     rax,    rcx

_loop:
    mov     r8b,    byte ptr[rdx]
    mov     byte ptr[rcx],  r8b
    inc     rcx
    inc     rdx
    cmp     r8b,        0
    jne     _loop

ret

custom_strcpy endp

我用来测量性能的C ++代码：

#include <iostream>
#include <chrono>
#include <cstring>

#define TIMES 100000000

using namespace std;
using namespace std::chrono;

extern "C" char * custom_strcpy(char * dst, const char * src);

extern "C" void foo()
{
    char src[] = "Hello, world!";
    char dst[sizeof(src)];

    auto start = high_resolution_clock::now();
    for (int i = 0; i < TIMES; i++)
    {
        strcpy(dst, src);
    }
    auto end = high_resolution_clock::now();
    cout << duration_cast<duration<double>>(end - start).count() << endl;

    start = high_resolution_clock::now();
    for (int i = 0; i < TIMES; i++)
    {
        custom_strcpy(dst, src);
    }
    end = high_resolution_clock::now();
    cout << duration_cast<duration<double>>(end - start).count() << endl;
}