2つの同様のアセンブリコード。実質的な差

Question

私はIvy-Bridge CPUを持っています。 次のコードは、反復ごとに3サイクルかかり、次

L1:  
    movapd xmm1, [rsi+rax] ; X[i], X[i+1] 
    mulpd xmm1, xmm2 
    movapd xmm0, [rdi+rax] ; Y[i], Y[i+1] 
    subpd xmm0, xmm1 
    movapd [rdi+rax], xmm0 ; Store result 
    add rax, 16 
    cmp rax, rcx 
    jl L1 

を反復ごとに9サイクルを要する：

L1: 
    movapd xmm1, [rsi+rax] ; X[i], X[i+1] 
    mulpd xmm1, xmm2 
    movapd xmm0, [rdi+rax] ; Y[i], Y[i+1] 
    add rax, 16 
    subpd xmm0, xmm1 
    movapd [rdi+rax], xmm0 ; Store result 
    cmp rax, rcx 
    jl L1 

唯一の違いは順序（add rax, 16）です。そしてそれはプログラムが3倍遅くなることを引き起こします。なぜその違いが非常に大きいのですか？

Answer 1

主な理由は、別の場所に結果を格納することです。ループの次の繰り返しで読み取られる場所も同じです。それをやって

は、CPUのアウトオブオーダー実行を妨げる - 現在の反復が完了するまで、ループの次の繰り返しが原因データ依存性に、起動することはできません。

私はあなたが戻って同じ場所に格納するストア命令を変更した場合、第二のループは、実質的に速く再びなるだろうと想像します：

movapd [rdi+rax-16], xmm0 ; Store result 

Answer 2

彼らは実質的に異なる依存構造を持っています。結果はバックに書かれている場所になりました、add rax, 16移動して

は次の項目です。だから、次の反復では、そこに書いたものを読みます。

これで突然ループ転送された依存性がmovapd xmm0, .. \ subpd \ movapd [next], xmm0になりました。これはIvyで9サイクルのレイテンシを持ちます（命令ごとに3回発生します）。唯一のループ運搬の依存、前

はrax上の些細なものでした。