今天，我发现一个示例代码在添加了一些无关代码后变慢了50%。通过调试，我发现问题出在循环对齐上。
根据循环代码的放置位置，执行时间有所不同，例如：
| 地址 | 时间[us] |
|---|---|
| 00007FF780A01270 | 980微秒 |
| 00007FF7750B1280 | 1500微秒 |
| 00007FF7750B1290 | 986微秒 |
| 00007FF7750B12A0 | 1500微秒 |
我之前没有想到代码对齐可能会有如此大的影响。而且我认为我的编译器足够聪明，能够正确地对齐代码。
是什么原因导致执行时间有如此大的差异？（我猜测涉及一些处理器架构的细节。）
我在 Windows 10 上以 Visual Studio 2019 的 Release 模式编译并运行测试程序。
我已经在两个处理器上检查了该程序：i7-8700k（上面的结果）和 intel i5-3570k，但在那里没有这个问题，执行时间总是约为 1250 微秒。
我还尝试使用 clang 编译程序，但在 i7-8700k 上的结果始终为约 1500 微秒。
我的测试程序：
#include <chrono>
#include <iostream>
#include <intrin.h>
using namespace std;
template<int N>
__forceinline void noops()
{
__nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop(); __nop();
noops<N - 1>();
}
template<>
__forceinline void noops<0>(){}
template<int OFFSET>
__declspec(noinline) void SumHorizontalLine(const unsigned char* __restrict src, int width, int a, unsigned short* __restrict dst)
{
unsigned short sum = 0;
const unsigned char* srcP1 = src - a - 1;
const unsigned char* srcP2 = src + a;
//some dummy loop,just a few iterations
for (int i = 0; i < a; ++i)
dst[i] = src[i] / (double)dst[i];
noops<OFFSET>();
//the important loop
for (int x = a + 1; x < width - a; x++)
{
unsigned char v1 = srcP1[x];
unsigned char v2 = srcP2[x];
sum -= v1;
sum += v2;
dst[x] = sum;
}
}
template<int OFFSET>
void RunTest(unsigned char* __restrict src, int width, int a, unsigned short* __restrict dst)
{
double minTime = 99999999;
for(int i = 0; i < 20; ++i)
{
auto start = chrono::steady_clock::now();
for (int i = 0; i < 1024; ++i)
{
SumHorizontalLine<OFFSET>(src, width, a, dst);
}
auto end = chrono::steady_clock::now();
auto us = chrono::duration_cast<chrono::microseconds>(end - start).count();
if (us < minTime)
{
minTime = us;
}
}
cout << OFFSET << " : " << minTime << " us" << endl;
}
int main()
{
const int width = 2048;
const int x = 3;
unsigned char* src = new unsigned char[width * 5];
unsigned short* dst = new unsigned short[width];
memset(src, 0, sizeof(unsigned char) * width);
memset(dst, 0, sizeof(unsigned short) * width);
while(true)
RunTest<1>(src, width, x, dst);
}
为了验证不同的对齐方式，只需重新编译程序并将 RunTest<0> 更改为 RunTest<1> 等。
编译器总是将代码对齐到16字节。在我的测试代码中，我只是插入了额外的 nops 来使代码稍微移动一些。
使用 OFFSET=1 循环生成的汇编代码（对于其他偏移量，npads 的数量不同）：
0007c 90 npad 1
0007d 90 npad 1
0007e 49 83 c1 08 add r9, 8
00082 90 npad 1
00083 90 npad 1
00084 90 npad 1
00085 90 npad 1
00086 90 npad 1
00087 90 npad 1
00088 90 npad 1
00089 90 npad 1
0008a 90 npad 1
0008b 90 npad 1
0008c 90 npad 1
0008d 90 npad 1
0008e 90 npad 1
0008f 90 npad 1
$LL15@SumHorizon:
; 25 :
; 26 : noops<OFFSET>();
; 27 :
; 28 : for (int x = a + 1; x < width - a; x++)
; 29 : {
; 30 : unsigned char v1 = srcP1[x];
; 31 : unsigned char v2 = srcP2[x];
; 32 : sum -= v1;
00090 0f b6 42 f9 movzx eax, BYTE PTR [rdx-7]
00094 4d 8d 49 02 lea r9, QWORD PTR [r9+2]
; 33 : sum += v2;
00098 0f b6 0a movzx ecx, BYTE PTR [rdx]
0009b 48 8d 52 01 lea rdx, QWORD PTR [rdx+1]
0009f 66 2b c8 sub cx, ax
000a2 66 44 03 c1 add r8w, cx
; 34 : dst[x] = sum;
000a6 66 45 89 41 fe mov WORD PTR [r9-2], r8w
000ab 49 83 ea 01 sub r10, 1
000af 75 df jne SHORT $LL15@SumHorizon
; 35 : }
; 36 :
; 37 : }
000b1 c3 ret 0
??$SumHorizontalLine@$00@@YAXPEIBEHHPEIAG@Z ENDP ; SumHorizont
chrono提供纳秒级别，但除非您拥有真正酷炫的定制硬件，否则您将无法达到微秒级别。在传统桌面硬件上，您甚至可能无法获得可靠的毫秒级别。 - user4581301g++、clang++和MSVC通常也会展现出非常不同的性能。 - Ted Lyngmo