在Intel x64处理器上进行16位和32位乘法的CPU周期

Question

我在C中实现了一个大量使用乘法的数学库。最初，我的所有乘法都是使用uint16_t完成的。最近我将其中许多更改为uint32_t，我看到我的代码运行时几乎变成了两倍。我对在Intel x64处理器中的想法感到困惑，32位和16位乘法采用相同的时钟周期。我写了一个诊断代码，请在下面找到

#include <stdio.h>
#include <stdint.h>
#include <stdlib.h>
#include <time.h>
#include "cpucycles.c"

#define REPEAT 10000
#define OUT_REPEAT 100000

void main(){

    uint16_t a_16[REPEAT], b_16[REPEAT], c_16[REPEAT];
    uint32_t a_32[REPEAT], b_32[REPEAT], c_32[REPEAT];
    int32_t i,j;
    uint64_t clock1, clock2, CLOCK16, CLOCK32;
    uint64_t acc=0;
    time_t t;

    srand((unsigned) time(&t));

    clock1=clock2=CLOCK16=CLOCK32=0;

    for(j=0;j<OUT_REPEAT;j++){


        for(i=0;i<REPEAT;i++){

            a_16[i]=rand()& ( (1<<13) -1); //need 13-bit integers only
            b_16[i]=rand()& ( (1<<13) -1);

            a_32[i]=rand()&( (1<<19) -1);
            b_32[i]=rand()&( (1<<19) -1); //need 19-bit integers only
        }

        clock1=cpucycles();
        for(i=0;i<REPEAT;i++){
            c_16[i]=a_16[i]*b_16[i];
        }
        clock2=cpucycles();
        CLOCK16=CLOCK16+(clock2-clock1);    

        clock1=cpucycles();
        for(i=0;i<REPEAT;i++){
            c_32[i]=a_32[i]*b_32[i];
        }
        clock2=cpucycles();
        CLOCK32=CLOCK32+(clock2-clock1);    

        for(i=0;i<REPEAT;i++){
            acc=(acc+(c_32[i]-(uint32_t)c_16[i])); //this is just to prevent compiler optimization
        }
        printf("Iteration: %d,  acc:%llu\n", j, acc);
        acc=0;
    }

    printf("\n--------------------------------------------\n");
    printf("Time for 16 bit multiplication : %llu\n", CLOCK16/OUT_REPEAT);
    printf("Time for 32 bit multiplication : %llu\n", CLOCK32/OUT_REPEAT);
    printf("\n--------------------------------------------\n");
}

cpucycles代码来自ECRYPT，如下所示，

#include "cpucycles.h"

long long cpucycles(void)
{
  unsigned long long result;
  asm volatile(".byte 15;.byte 49;shlq $32,%%rdx;orq %%rdx,%%rax"
    : "=a" (result) ::  "%rdx");
  return result;
}

一个样本运行的结果，使用单核和超线程/ TurboBoost禁用

--------------------------------------------
Time for 16 bit multiplication : 2795
Time for 32 bit multiplication : 4190

--------------------------------------------

最后我的cpuinfo（摘录）由lscpu给出

Architecture:          x86_64
CPU op-mode(s):        32-bit, 64-bit
Model name:            Intel(R) Core(TM) i7-7700 CPU @ 3.60GHz

现在我的问题是，

1. 在x64平台中，16位乘法几乎占总时间的一半而不是32位乘法是正确的吗？或者我做错了什么。
2. 如果是的话，你能否告诉我一些证明这种行为的理由？

先感谢您。我感谢您的帮助。

Answer 1

在x64平台中，16位乘法几乎占总时间的一半而不是32位乘法是正确的吗？或者我做错了什么。

不，这本身并不正确。分别不是你实际测试过的。

您的短循环可以轻松地进行矢量化，因此这正是编译器所做的。根据目标CPU的生成，这意味着可以使用128,256或512bit矢量类型，可以将其划分为不同的字大小（8位，16位，32位，64位，128位），然后可以在多个元素上执行矢量化乘法运算。一旦。不仅是乘法，而且从内存加载和存储数字是完全矢量化的，并不仅仅在单个元素上运行。

简而言之，与32位相比，在同一向量中可以容纳两倍的16位整数。而且你的代码实际上也不受乘法的限制 - 它纯粹受加载/存储的限制，所以你只能成功地测量出16位整数是32位整数的一半，所以当矢量化和加载/存储绑定时你可以加载在同一时间内两倍的元素。

如果您要对特定指令进行基准测试（在这种情况下为单元素乘法），您是否需要通过内联汇编显式使用该特定指令。您还需要了解影响性能的所有副作用和前提条件，流水线式超标量体系结构通常不易于进行基准测试。

否则，编译器应尽可能地优化（矢量化，折叠，内联等）代码。