是否有任何方法可以通过将其加载到XMM或YMM寄存器中来获取存储在16字节或32字节缓冲区中的ASCII字符串的长度？ 本质上，我正在寻找第一个零字节的索引（以位或字节为单位）。
我的目标是避免循环和分支。我希望AVX或SSE沿BSF（正向位扫描）的界线存在某些问题，但可以对字节而不是位进行操作。
也许类似以下内容？
_my_constant_time_strlen:
vpxor ymm0, ymm0
VPCMPEQB ymm0, ymm0, [rdi]
vpmovmskb eax, ymm0
bsf eax, eax
; string length is in eax?
; and rax, 31 ; editor's note: useless AND
ret
答案 0 :(得分：7)
正是您使用AVX2实现strlen或memchr的方式。（对于固定大小的缓冲区，您知道会有缓冲区中的某个匹配项。）
（除了现在，您有一个多余的and）。
vpmovmskb将比较向量转换为字节比较结果的位图，您可以使用BSF搜索该位图。您的代码已经完全可以满足您的要求。
如果避免破坏vpxor，则可以将vpcmpeqb归零。
在Intel CPU（Haswell / Skylake）上，实际工作只有3个uops。：vpmovmskb是1个微融合的uop，因为您避免了索引寻址模式。 tzcnt是1 uop，具有2到3个周期的延迟。 bsf在Intel或AMD CPU上为1 uop。 （tzcnt在Intel上也是1 uop）。在Intel bsf或vpcmpeqb上有3个周期的延迟。
因此，在主流Intel上，从准备就绪的矢量加载数据到RAX长度的总延迟为1（{tzcnt）+ 2或3（movmsk）+ 3（vpcmpeqb ymm）= 6或7个周期。这是无分支的，只是数据依赖性，所以这是很合理的。无论地址或数据位于关键路径上，这都不会计算负载使用延迟或存储转发延迟。 而且吞吐量是优秀的，在Intel上，每个时钟1个strlen（端口0和/或端口1上出现瓶颈）。
在AMD Ryzen上，vpmovmskb ymm为2微秒，延迟为2c。 tzcnt是2 oups（对于Port2），延迟为3c。 lzcnt是2微秒，延迟为2c。因此，总延迟= 7个周期，吞吐量是每2个周期1个瓶颈，这是movmsk吞吐量的瓶颈。 （Ryzen tzcnt是1 uop / 1c延迟；大概lzcnt是位反转+ pcmpeqb或类似的东西。）
来自https://agner.org/optimize/的数字。
没有一条指令会扫描XMM或YMM寄存器中的第一个非零字节，唯一有效的方法是pmovmskb / vmovd xmm0, eax 。如果您想在向量reg中使用字节位置而不是整数，则可以在末尾vpand。
但是通常您想要将结果保存在整数寄存器中。
唯一想到的是水平矢量搜索/扫描而没有先 movmsk首先扫描到整数的是phminposuw，这不是您想要的。
或者1,2,4,8,16, ...的向量为vpsadbw的2的幂，然后0xff对字节进行水平加法。结果的最低设置位告诉该8字节块中前0的位置。
或者您可以执行log2（vector_length）个步骤，分别对下一个元素进行改组和屏蔽，因此您将得到一个矢量，其中仅输入中的前0个具有VPAND元素。然后0,1,2,3,4,...的向量为vpsadbw和vpcmpeqb到hsum，唯一的非零元素将是字节位置。但是，如果出于某种原因确实希望将结果保存在XMM寄存器中，则与vpmovmskb / bsf / vmovd / tzcnt返回XMM寄存器相比，这要昂贵得多。
如果不确定是否有零字节，请使用bsf而不是32，因为它会为全零输入生成bsf（操作数大小）。 tzcnt在AMD上也较慢，因此实际上您应该始终在此处使用bsf 。
vpxor XMM将使目标保持不变。 （由AMD记录；英特尔说“未定义”，但仍然可以实现。）
和/或在位扫描后检查ZF以检测全零输入情况。 （tzcnt将CF设置为全零输入，并根据输出是否为零设置ZF。）
此外，将YMM（而不是map2_chr）的寄存器清零。在AMD上保存uop。