如果 N < 宽度DST，x86_64 有效地设置寄存器 DST 中的位 N，否则 DST = 0

如何解决如果 N < 宽度DST，x86_64 有效地设置寄存器 DST 中的位 N，否则 DST = 0

我正在尝试找到一种在 x86_64 程序集中执行以下操作的有效方法：

if(N < word_size) {
    dst[N] = 1; // as in Nth bit of dst = 1 
}
else {
    dst[word_size - 1:0] = 0
} 

如果“else”情况没有取消设置其他位，或者如果“if”情况没有取消其他位，我可以获得所需的结果。重要的是如果 N > word_size 它不会设置任何位

我找不到任何可能执行此操作的指令，因为 bt[s/c],shlx,sal,rol,shld 都出现在以宽度为 src 的模块中。

用例基本上是我将迭代一个已知长度的位向量，并且想要 A) 找到第一个设置位并返回它的位置，或者 B) 测试所有位，如果没有设置位找到向量的返回长度。

// rsi has length
L(keep_searching):
movq %(rdi),%rax
testq %rax,%rax
jnz L(found)
subq $64,rsi
jbe L(done) // this done will return origional value of rsi
addq $8,%rdi
jmp L(keep_searching)

我认为如果我可以在 rax if rsi

有人知道可以执行此操作的指令吗？我能想到的每条指令都在 src 上使用模块。任何帮助将不胜感激。

谢谢！

一些对我来说适用于 32 位的版本。如果我使用 MMX，@PeterCordes 指出 pllsq 正是我想要的。

uint64_t __attribute__((noinline,noclone)) shift(uint64_t cnt) {
    uint64_t ret = 0;
    asm volatile(
        "cmpq $32,%[cnt]\n\t"
        "setbe %b[ret]\n\t"
        "shlxq %[cnt],%[ret],%[ret]\n\t"
        : [ ret ] "+r"(ret)
        : [ cnt ] "r"(cnt)
        : "cc");
    return ret;
}


uint64_t __attribute__((noinline,noclone)) shift2(uint64_t cnt) {
    uint64_t ret = 0,tmp = 0;
    asm volatile(
        "leaq -33(%[cnt]),%[tmp]\n\t"
        "movl $1,%k[ret]\n\t"
        "shlxq %[cnt],%[ret]\n\t"
        "sarq $63,%[tmp]\n\t"
        "andq %[tmp],%[ret]\n\t"
        : [ ret ] "+r"(ret),[ tmp ] "+r"(tmp),[ cnt ] "+r"(cnt)
        :
        : "cc");
    return ret;
}


uint64_t __attribute__((noinline,noclone)) shift3(uint64_t cnt) {
    uint64_t ret,tmp;
    asm volatile(
        "leaq -33(%[cnt]),%[tmp]\n\t"
        "btsq %[cnt],[ cnt ] "+r"(cnt)
        :
        : "cc");
    return ret;
}

解决方法

尚未验证，但

mov rax,1  // common
mov rdx,0  // common

cmp rcx,64
shlxq rbx,rax,rcx
cmova rbx,rdx

可能比建议的替代方案性能略高，因为比较和移位现在是独立的，可以并行执行。

编辑

从用例来看，这似乎是一个 XY 问题——迭代 bitset 中的位的有效方法是使用 n & (n-1) 技巧或变体； popcount(n ^ (n-1)) 应该给出最小位集的索引。 n&=n-1 将清除 LSB。

,

SIMD 移位（如 SSE2 psllq xmm1,xmm2）使计数饱和，但这在这里不太可能有用，因为我认为您想将其 OR 到内存中的数据中作为此循环的标量版本的结束条件？

我更倾向于使用仍从 cmov 设置的 FLAGS 的清零寄存器中的 sub。您可以在 SUB 之前或之后使用 BTS 将 1<<(rsi&63) 创建到清零寄存器中； SUB之前好，因为BTS修改了CF。请注意，rsi&63 不受 rsi -= 64 的影响。

对于循环条件，这可能不是一个好的选择：只需使用单 uop sub/ja，单独的 test/jnz 是通常不采取。其中之一位于底部而不是无条件的 jmp：这是这里最明显和基本的优化：Why are loops always compiled into "do...while" style (tail jump)?

或者更好的是，使用 SSE2（x86-64 的基线）一次检查 16 个字节（2 个 qwords 或 4 个双字）是否为全非零。或者，如果您不希望很快找到第一个设置位，甚至可以将几个向量一起 POR 一起检查，即调整大行程计数，代价是最终找到它的处理速度较慢。 （最后一次迭代可以是标量）。

（查看 glibc 的 strlen 或特别是 memchr 以获取有关使用 SIMD 优化大数组 not-found-early 情况的更多想法。在这种情况下，他们使用 {{1}如果任何向量在该位置具有零，则获得零，但您想要相反的：pminub 如果任何向量具有非零，则获得非零。）

将内存中的两个值“或”在一起也适用于标量，作为展开的一种方式。

por

但请注意， mov (%rdi),%rax or 8(%rdi),%rax jnz found ... add $16,%rdi /or 为 2 uop，而 jnz/test 为 1。
OTOH，让 jnz / cmpq $0,(%rdi) 在 Intel 上进行微型和宏观熔断器可能是不可能的； IIRC 可能带有寄存器源。因此，如果您非常积极地调整，内存源 jne 可能会花费 2 uop 来完成两倍的工作，而不是仅多 1 uop。您需要与展开并执行两个单独的 load/test/jcc 或 cmp-mem/jcc 的循环进行比较，以保持指针增量逻辑的循环开销公平。 （还有展开逻辑以处理可能的奇数个 qwords。）

---

但作为练习，让我们看看我们可以用你的想法做些什么：在这种情况下，可以提前计算一次非零移位结果（因为 rsi-=64 不会改变 rsi%64），并被吊出环。

or

不幸的是，OR 不能像 TEST 那样与 JCC 进行宏融合。 （或英特尔 SnB 系列上的 SUB）。但是内存源 OR 是前端的一个 uop。

不幸的是， xor %edx,%edx bts %rsi,%rdx # rdx = 1 << (rsi&63) // rsi has length L(keep_searching): add $8,%rdi xor %eax,%eax # need to re-create a zero every time sub $64,%rsi cmovbe %rdx,%rax # 0 or 1<<(rsi&63) to put a bit there for us to find or -8(%rdi),%rax jnz L(keep_searching) found_or_done: tzcnt %rax,%rax add orig_rsi?,%rax ... 和 cmovbe 需要 2 uop，因为它们需要 CF 和 ZF。 （请参阅 What is a Partial Flag Stall? - 最近的英特尔没有部分标志停顿甚至合并，只有 CF 与其余部分（SPAZO），如果需要，微指令会分别读取两个输入。）但没有明显的原因， cmova 和 setbe 也是 2 uop (https://uops.info) - 也许英特尔从未更新 setcc uop 格式以用作 3 输入 uop（包括它们合并到低字节）。有趣的事实：这导致 seta 通常只能在“复杂”解码器中解码，如果您的代码不在 uop 缓存中：Can the simple decoders in recent Intel microarchitectures handle all 1-µop instructions?

多亏了 setcc，Intel 上的循环体总共有 7 个 uops。 6 在 AMD。

比较没有此技巧的简单标量搜索循环与 4 uops 的比较。这可以在 Intel 上以每次迭代 1 个周期的速度运行（Haswell 和更高版本可以在每个时钟运行 2 个分支，只要最多采用 1 个）。我认为也在 AMD Zen 上。所以我们每个周期搜索大约 8 个字节，大约是我们可以用 SIMD 做的一半。但启动和结束开销较低。

cmov

---

如果您将负数组索引计数到零，则可以避免循环中同时包含 L(loop): # do { mov (%rdi),%rax # 1 uop test %rax,%rax jnz L(found) # 1 uop (macro-fused) add $8,%rdi # 1 uop cmp %rdi,%rdx jbe L(loop) # }while(p < endp) # 1 uops (macro-fused) L(done): 和 add：使用通过添加设置的 FLAGS。 （或者对于简单版本，避免 CMP，让

你需要一个 sub 或类似的东西，但 Haswell 和更高版本可以保持索引寻址模式微融合作为具有 RW 目标的 2 操作数指令的一部分：Micro fusion and addressing modes)

---

or (%r10,%r11,8),%rax 不方便，因为它只适用于 8 位寄存器。但是如果你有一个像 RDX 这样的归零寄存器，你可以setcc r/m8 / setbe dl。即使您不想使用 SIMD，在 shlx %rsi,%rdx,%rcx / test 之前将其 OR 到 RAX 似乎也不值得。

正确预测的未采取测试/jnz 是一个单一的 uop，比您为创建 RAX 值所做的所有工作都便宜。