对于顺序复制和分散存储的循环，如何解释Xeon处理器的性能不佳？

如何解决对于顺序复制和分散存储的循环，如何解释Xeon处理器的性能不佳？

在某些Intel Xeon处理器上运行以下c++代码时，我偶然发现了一个特殊的性能问题：

// array_a contains permutation of [0,n - 1]
// array_b and inverse are initialized arrays
for (int i = 0; i < n; ++i) {
  array_b[i] = array_a[i];
  inverse[array_b[i]] = i;
}

循环的第一行将array_a依次复制到array_b中（预计很少有高速缓存未命中）。第二行计算array_b的倒数（由于array_b是随机排列，因此许多高速缓存未命中）。我们还可以将代码分成两个单独的循环：

for (int i = 0; i < n; ++i)
  array_b[i] = array_a[i];
for (int i = 0; i < n; ++i)
  inverse[array_b[i]] = i;

我希望这两个版本（单循环和双循环）在相对较新的硬件上几乎具有相同的性能。但是，执行单循环版本时，某些Xeon处理器的运行速度似乎令人难以置信。

在下面的代码中，您可以看到在一系列不同的处理器上运行该代码段时的墙壁时间（以纳秒为单位）除以n。为了进行测试，在带有Xeon E5-4620v4的系统上使用带有标志-O3 -funroll-loops -march=native的GCC 7.5.0编译了代码。然后，在所有系统上使用相同的二进制文件，在具有多个NUMA域的系统上使用numactl -m 0 -N 0。

已使用的代码在github上可用。有趣的东西在文件runner.cpp中。

[编辑：]程序集提供了here。

[编辑：]包括AMD EPYC在内的新结果。

在各种i7型号上，结果大部分都与预期相同。使用单循环仅比双循环稍慢。 Xeon E3-1271v3也是如此，该硬件与i7-4790基本相同。迄今为止，AMC EPYC 7452的性能最佳，单回路和双回路实施之间几乎没有区别。但是，在至强E5-2690v4和E5-4620v4系统上，使用单循环的速度非常慢。

在以前的测试中，我还观察到了Xeon E5-2640和E5-2640v4系统上这个奇怪的性能问题。与此相反，在多个AMD EPYC和Opteron系统上没有性能问题，在Intel i5和i7移动处理器上也没有问题。

因此，我对CPU专家的问题是：为什么与其他CPU相比，英特尔最高端的产品线性能如此差？我到目前为止还不是CPU体系结构方面的专家，因此非常感谢您的知识和想法！