assembly - 有符号或无符号循环计数器

Question

在这个简单的例子中使用有符号和无符号循环计数器之间的差异让我感到非常惊讶:

double const* a;
__assume_aligned(a, 64);
double s = 0.0;

//for ( unsigned int i = 0; i < 1024*1024; i++ )
for ( int i = 0; i < 1024*1024; i++ )
{
    s += a[i];
}

在签名的情况下，生成了 icc 19.0.0(我显示了循环的展开部分):

..B1.2:
    vaddpd    zmm7, zmm7, ZMMWORD PTR [rdi+rax*8]
    vaddpd    zmm6, zmm6, ZMMWORD PTR [64+rdi+rax*8]
    vaddpd    zmm5, zmm5, ZMMWORD PTR [128+rdi+rax*8]
    vaddpd    zmm4, zmm4, ZMMWORD PTR [192+rdi+rax*8]
    vaddpd    zmm3, zmm3, ZMMWORD PTR [256+rdi+rax*8]
    vaddpd    zmm2, zmm2, ZMMWORD PTR [320+rdi+rax*8]
    vaddpd    zmm1, zmm1, ZMMWORD PTR [384+rdi+rax*8]
    vaddpd    zmm0, zmm0, ZMMWORD PTR [448+rdi+rax*8]
    add       rax, 64
    cmp       rax, 1048576
    jb        ..B1.2        # Prob 99%

在无符号情况下，icc 使用额外的寄存器来寻址内存，以及相应的LEA:

..B1.2:
    lea       edx, DWORD PTR [8+rax]
    vaddpd    zmm6, zmm6, ZMMWORD PTR [rdi+rdx*8]
    lea       ecx, DWORD PTR [16+rax]
    vaddpd    zmm5, zmm5, ZMMWORD PTR [rdi+rcx*8]
    vaddpd    zmm7, zmm7, ZMMWORD PTR [rdi+rax*8]
    lea       esi, DWORD PTR [24+rax]
    vaddpd    zmm4, zmm4, ZMMWORD PTR [rdi+rsi*8]
    lea       r8d, DWORD PTR [32+rax]
    vaddpd    zmm3, zmm3, ZMMWORD PTR [rdi+r8*8]
    lea       r9d, DWORD PTR [40+rax]
    vaddpd    zmm2, zmm2, ZMMWORD PTR [rdi+r9*8]
    lea       r10d, DWORD PTR [48+rax]
    vaddpd    zmm1, zmm1, ZMMWORD PTR [rdi+r10*8]
    lea       r11d, DWORD PTR [56+rax]
    add       eax, 64
    vaddpd    zmm0, zmm0, ZMMWORD PTR [rdi+r11*8]
    cmp       eax, 1048576
    jb        ..B1.2        # Prob 99%

对我来说，令人惊讶的是它没有生成相同的代码(给定编译时循环计数)。是编译器优化问题吗？

编译选项:-O3 -march=skylake-avx512 -mtune=skylake-avx512 -qopt-zmm-usage=high

Answer 1

这是 ICC 愚蠢的错过优化。它不是 AVX512 特有的；使用默认/通用架构设置仍然会发生这种情况。

lea ecx, DWORD PTR [16+rax]正在计算i+16作为展开的一部分，截断为 32 位(32 位操作数大小)并将零扩展为 64 位(写入 32 位寄存器时在 x86-64 中隐式)。这显式地实现了类型宽度上无符号环绕的语义。

gcc 和 clang 可以毫无问题地证明 unsigned i不会换行，因此他们可以优化从 32 位无符号到 64 位指针宽度的零扩​​展，以便在寻址模式中使用，因为循环上限已知¹。

回想一下，无符号环绕在 C 和 C++ 中是明确定义的，但有符号溢出是未定义的行为。这意味着有符号变量可以提升为指针宽度，并且编译器不必在每次将它们用作数组索引时重新将符号扩展为指针宽度。 ( a[i] 相当于 *(a+i) ，并且将整数添加到指针的规则意味着对于寄存器的高位可能不匹配的窄值，符号扩展是必要的。)

有符号溢出 UB 是 ICC 能够正确优化有符号计数器的原因，即使它无法使用范围信息。另请参阅http://blog.llvm.org/2011/05/what-every-c-programmer-should-know.html (关于未定义的行为)。请注意，它使用 add rax, 64和cmp具有 64 位操作数大小(RAX 而不是 EAX)

<小时/>

我将您的代码放入 MCVE 中以使用其他编译器进行测试。 __assume_aligned仅限 ICC，所以我使用了 GNU C __builtin_assume_aligned .

#define COUNTER_TYPE unsigned

double sum(const double *a) {
    a = __builtin_assume_aligned(a, 64);
    double s = 0.0;

    for ( COUNTER_TYPE i = 0; i < 1024*1024; i++ )
        s += a[i];
    return s;
}

clang 像这样编译你的函数 ( Godbolt compiler explorer ):

# clang 7.0 -O3
sum:                                    # @sum
    xorpd   xmm0, xmm0
    xor     eax, eax
    xorpd   xmm1, xmm1
.LBB0_1:                                # =>This Inner Loop Header: Depth=1
    addpd   xmm0, xmmword ptr [rdi + 8*rax]
    addpd   xmm1, xmmword ptr [rdi + 8*rax + 16]
    addpd   xmm0, xmmword ptr [rdi + 8*rax + 32]
    addpd   xmm1, xmmword ptr [rdi + 8*rax + 48]
    addpd   xmm0, xmmword ptr [rdi + 8*rax + 64]
    addpd   xmm1, xmmword ptr [rdi + 8*rax + 80]
    addpd   xmm0, xmmword ptr [rdi + 8*rax + 96]
    addpd   xmm1, xmmword ptr [rdi + 8*rax + 112]
    add     rax, 16                                  # 64-bit loop counter
    cmp     rax, 1048576
    jne     .LBB0_1

    addpd   xmm1, xmm0
    movapd  xmm0, xmm1         # horizontal sum
    movhlps xmm0, xmm1              # xmm0 = xmm1[1],xmm0[1]
    addpd   xmm0, xmm1
    ret

我没有启用 AVX，这不会改变循环结构。请注意，clang 仅使用 2 个向量累加器，因此如果 L1d 缓存中的数据很热，它将成为最新 CPU 上 FP 添加延迟的瓶颈。 Skylake 最多可容纳 8 个 addpd立即飞行(每个时钟吞吐量 2 个，具有 4 个周期延迟)。因此，对于(某些)数据在 L2 或尤其是 L1d 缓存中很热的情况，ICC 可以做得更好。

奇怪的是，clang 没有使用指针增量，如果它无论如何都会添加/cmp。在循环之前只需要几个额外的指令，并且会简化寻址模式，即使在 Sandybridge 上也允许负载的微融合。 (但它不是 AVX，因此 Haswell 及更高版本可以保持负载微熔断。Micro fusion and addressing modes)。 GCC 会这样做，但根本不展开，这是 GCC 的默认设置，没有配置文件引导优化。

无论如何，ICC 的 AVX512 代码将取消层压到单独的加载中，并在问题/重命名阶段添加 uops(或者在添加到 IDQ 之前，我不确定)。因此，它不使用指针增量来节省前端带宽，为更大的乱序窗口消耗更少的 ROB 空间，并且对超线程更加友好，这是非常愚蠢的。

<小时/>

脚注1:

(即使不是，没有像 volatile 或 atomic 访问这样的副作用的无限循环是未定义的行为，所以即使使用 i <= n 和运行时变量 n ，编译器可以假设循环不是无限的，因此 i 没有换行。Is while(1); undefined behavior in C? )

在实践中，gcc 和 clang 不会利用这一点，并创建一个实际上可能无限的循环，并且不会因为这种可能的怪异而自动矢量化。所以避免i <= n带有运行时变量 n ，特别是对于无符号比较。使用i < n相反。

如果展开，i += 2可以起到类似的效果。

因此，在源代码中执行结束指针和指针增量通常是好的，因为这通常对于汇编来说是最佳的。