c - GCC优化错失良机

Question

我正在编译这段 C 代码:

int mode; // use aa if true, else bb
int aa[2];
int bb[2];

inline int auto0() { return mode ? aa[0] : bb[0]; }
inline int auto1() { return mode ? aa[1] : bb[1]; }

int slow() { return auto1() - auto0(); }
int fast() { return mode ? aa[1] - aa[0] : bb[1] - bb[0]; }

slow() 和 fast() 函数都是为了做同样的事情，尽管 fast() 是用一个分支做的语句而不是两个。我想检查 GCC 是否会将两个分支合二为一。我已经在 GCC 4.4 和 4.7 上进行了尝试，使用了不同级别的优化，例如 -O2、-O3、-Os 和 -Ofast。它总是给出同样奇怪的结果:

慢():

        movl    mode(%rip), %ecx
        testl   %ecx, %ecx
        je      .L10

        movl    aa+4(%rip), %eax
        movl    aa(%rip), %edx
        subl    %edx, %eax
        ret
.L10:
        movl    bb+4(%rip), %eax
        movl    bb(%rip), %edx
        subl    %edx, %eax
        ret

快速():

        movl    mode(%rip), %esi
        testl   %esi, %esi
        jne     .L18

        movl    bb+4(%rip), %eax
        subl    bb(%rip), %eax
        ret
.L18:
        movl    aa+4(%rip), %eax
        subl    aa(%rip), %eax
        ret

的确，每个函数只生成一个分支。然而，slow() 似乎以一种令人惊讶的方式劣化:它在每个分支中使用一个额外的负载，用于 aa[0] 和 bb[0] 。 fast() 代码直接从 subl 中的内存中使用它们，而不是先将它们加载到寄存器中。所以 slow() 每次调用使用一个额外的寄存器和一条额外的指令。

一个简单的微基准测试表明，调用 fast() 十亿次需要 0.7 秒，而调用 slow() 需要 1.1 秒。我使用的是 2.9 GHz 的 Xeon E5-2690。

为什么会这样？你能以某种方式调整我的源代码以使 GCC 做得更好吗？

编辑:这里是 clang 4.2 在 Mac OS 上的结果:

慢():

        movq    _aa@GOTPCREL(%rip), %rax   ; rax = aa (both ints at once)
        movq    _bb@GOTPCREL(%rip), %rcx   ; rcx = bb
        movq    _mode@GOTPCREL(%rip), %rdx ; rdx = mode
        cmpl    $0, (%rdx)                 ; mode == 0 ?
        leaq    4(%rcx), %rdx              ; rdx = bb[1]
        cmovneq %rax, %rcx                 ; if (mode != 0) rcx = aa
        leaq    4(%rax), %rax              ; rax = aa[1]
        cmoveq  %rdx, %rax                 ; if (mode == 0) rax = bb
        movl    (%rax), %eax               ; eax = xx[1]
        subl    (%rcx), %eax               ; eax -= xx[0]

快速():

        movq    _mode@GOTPCREL(%rip), %rax ; rax = mode
        cmpl    $0, (%rax)                 ; mode == 0 ?
        je      LBB1_2                     ; if (mode != 0) {
        movq    _aa@GOTPCREL(%rip), %rcx   ;   rcx = aa
        jmp     LBB1_3                     ; } else {
LBB1_2:                                    ; // (mode == 0)
        movq    _bb@GOTPCREL(%rip), %rcx   ;   rcx = bb
LBB1_3:                                    ; }
        movl    4(%rcx), %eax              ; eax = xx[1]
        subl    (%rcx), %eax               ; eax -= xx[0]

有趣:clang 为 slow() 生成无分支条件，但为 fast() 生成一个分支!另一方面，slow() 执行三项加载(其中两项是推测性的，一项是不必要的)，而 fast() 执行两项。 fast() 实现更“明显”，并且与 GCC 一样，它更短并且使用的寄存器更少。

Mac OS 上的 GCC 4.7 通常遇到与 Linux 上相同的问题。然而，它使用与 Mac OS 上的 Clang 相同的“加载 8 个字节，然后两次提取 4 个字节”模式。这有点有趣，但不是很相关，因为使用两个寄存器而不是一个内存和一个寄存器发出 subl 的原始问题在 GCC 的任一平台上都是相同的。

Answer 1

原因是在为 slow() 发出的初始中间代码中，内存加载和减法在不同的基本 block 中:

slow ()
{
  int D.1405;
  int mode.3;
  int D.1402;
  int D.1379;

  # BLOCK 2 freq:10000
  mode.3_5 = mode;
  if (mode.3_5 != 0)
    goto <bb 3>;
  else
    goto <bb 4>;

  # BLOCK 3 freq:5000
  D.1402_6 = aa[1];
  D.1405_10 = aa[0];
  goto <bb 5>;

  # BLOCK 4 freq:5000
  D.1402_7 = bb[1];
  D.1405_11 = bb[0];

  # BLOCK 5 freq:10000
  D.1379_3 = D.1402_17 - D.1405_12;
  return D.1379_3;
}

而在 fast() 中它们在同一个基本 block 中:

fast ()
{
  int D.1377;
  int D.1376;
  int D.1374;
  int D.1373;
  int mode.1;
  int D.1368;

  # BLOCK 2 freq:10000
  mode.1_2 = mode;
  if (mode.1_2 != 0)
    goto <bb 3>;
  else
    goto <bb 4>;

  # BLOCK 3 freq:3900
  D.1373_3 = aa[1];
  D.1374_4 = aa[0];
  D.1368_5 = D.1373_3 - D.1374_4;
  goto <bb 5>;

  # BLOCK 4 freq:6100
  D.1376_6 = bb[1];
  D.1377_7 = bb[0];
  D.1368_8 = D.1376_6 - D.1377_7;

  # BLOCK 5 freq:10000
  return D.1368_1;
}

GCC 依靠指令组合传递来处理这样的情况(即显然不在窥孔优化传递上)并在基本 block 的范围内组合工作。这就是为什么减法和加载在 fast() 中合并到一个 insn 中，甚至不考虑在 slow() 中合并。

稍后，在基本 block 重新排序过程中，slow() 中的减法被复制并移动到包含负载的基本 block 中。现在组合器有机会将加载和减法组合在一起，但不幸的是，组合器 channel 不会再次运行(并且可能无法在编译过程的后期运行，硬寄存器已经分配和填充)。