将32位循环计数器替换为64位会导致英特尔CPU上的_mm_popcnt_u64出现疯狂的性能偏差

我在寻找popcount大型数据数组的最快方法。我遇到了一个非常奇怪的效果：将循环变量从unsigned更改为uint64\u t使我的电脑性能下降了50%

基准

#包括&lt；iostream&gt；
#包括&lt；chrono&gt；
#包括&lt；x86intrin.h&gt；
int main（int argc，char*argv[]）{
使用名称空间std；
如果（argc！=2）{
cerr&lt；&lt；“用法：数组大小以MB为单位”&lt；&lt；endl；
返回-1；
}
uint64_t size=atol（argv[1]）&lt；20；
uint64_t*缓冲区=新uint64_t[大小/8]；
char*charbuffer=reinterpret_cast&lt；char*&gt；（缓冲区）；
用于（无符号i=0；i&lt；大小；++i）
charbuffer[i]=rand（）%256；
uint64_t计数，持续时间；
时钟：时间点&lt；时钟：系统时钟&gt；开始，结束；
{
startP=chrono:：system_clock:：now（）；
计数=0；
用于（无符号k=0；k&lt；10000；k++）{
//无符号紧展开循环
对于（无符号i=0；i&lt；大小/8；i+=4）{
计数+=_mm_popcnt_u64（缓冲区[i]）；
计数+=_mm_popcnt_u64（缓冲区[i+1]）；
计数+=_mm_popcnt_u64（缓冲区[i+2]）；
计数+=_mm_popcnt_u64（缓冲区[i+3]）；
}
}
endP=chrono:：system_clock:：now（）；
duration=chrono：：duration_cast&lt；std：：chrono：：纳秒&gt；（endP startP）.count（）；
cout&lt；&lt；“未签名的\t”&lt；count&lt；'\t'&lt；&lt；（持续时间/1.0E9）&lt；&lt；“秒\t”
&lt；&lt；（10000.0*尺寸）/（持续时间）&lt；&lt；“GB/s”&lt；&lt；endl；
}
{
startP=chrono:：system_clock:：now（）；
计数=0；
用于（无符号k=0；k&lt；10000；k++）{
//带uint64\U t的紧展开环
对于（uint64_t i=0；i&lt；大小/8；i+=4）{
计数+=_mm_popcnt_u64（缓冲区[i]）；
计数+=_mm_popcnt_u64（缓冲区[i+1]）；
计数+=_mm_popcnt_u64（缓冲区[i+2]）；
计数+=_mm_popcnt_u64（缓冲区[i+3]）；
}
}
endP=chrono:：system_clock:：now（）；
duration=chrono：：duration_cast&lt；std：：chrono：：纳秒&gt；（endP startP）.count（）；
持续时间/1.0E9秒
&lt；&lt；（10000.0*尺寸）/（持续时间）&lt；&lt；“GB/s”&lt；&lt；endl；
}
免费（charbuffer）；
}

如您所见，我们创建了一个随机数据缓冲区，其大小为xMB，其中从命令行读取x。之后，我们迭代缓冲区，并使用x86popcount内部的展开版本来执行popcount。为了得到更精确的结果，我们进行了10000次popcount。我们测量popcount的时间。在大写字母中，内循环变量是无符号的，在小写字母中，内循环变量是uint64\t。我认为这应该没有什么区别，但情况恰恰相反

（绝对疯狂的）结果

我这样编译它（g++版本：Ubuntu 4.8.2-19ubuntu1）：

g++-O3-march=native-std=c++11 test.cpp-o test

以下是我的Haswell Core i7-4770K [email protected]的测试结果；GHz，运行测试1（因此1 MB随机数据）：

• 未签名的41959360000 0.401554秒26.113；GB/s
• uint64 t 41959360000 0.759822秒13.8003；GB/s

如您所见，uint64\u t版本的吞吐量只有未签名版本的一半！问题似乎是生成了不同的程序集，但为什么？首先，我想到了一个编译器错误，所以我尝试了clang++（Ubuntu clang版本3.4-1ubuntu3）：

clang++-O3-march=native-std=c++11 teest.cpp-o测试

uint64\u t size=atol（argv[1]）&lt&书信电报；20;

uint64\u t size=1&lt&书信电报；20;

因此，编译器现在知道编译时的缓冲区大小。也许它可以添加一些优化！以下是g++的编号：

• 未签名41959360000 0.509156秒20.5944；GB/s
• uint64 t 41959360000 0.508673秒20.6139；GB/s

现在，两个版本的速度都一样快。然而，未签名的变得更慢了！它从26下降到20 GB/s，因此将非常量替换为常量会导致去优化。说真的，我不知道这里发生了什么！但现在，请看新版本的clang++：

0x400af8:
lea 0x1（%rdx），%eax
popcnt（%rbx，%rax，8），%r9
lea 0x2（%rdx），%edi
popcnt（%rbx，%rcx，8），%rax
lea 0x3（%rdx），%esi
添加%r9，%rax
popcnt（%rbx，%rdi，8），%rcx
添加$0x4，%edx
添加%rcx，%rax
popcnt（%rbx，%rsi，8），%rcx
添加%rcx，%rax
移动%edx，%ecx
添加%rax，%r14
cmp%rbp，%rcx
jb 0x400af8

0x400c00:
popcnt 0x8（%rbx，%rdx，8），%rcx
popcnt（%rbx，%rdx，8），%rax
添加%rcx，%rax
popcnt 0x10（%rbx，%rdx，8），%rcx
添加%rcx，%rax
popcnt 0x18（%rbx，%rdx，8），%rcx
添加$0x4，%rdx
添加%rcx，%rax
添加%rax，%r12
cmp%rbp，%rdx
jb 0x400c00

0x400e50:
popcnt（%r15，%rcx，8），%rdx
添加%rbx，%rdx
popcnt 0x8（%r15，%rcx，8），%rsi
添加%rdx，%rsi
popcnt 0x10（%r15，%rcx，8），%rdx
添加%rsi，%rdx
popcnt 0x18（%r15，%rcx，8），%rbx
添加%rdx，%rbx
添加$0x4，%rcx
cmp%rbp，%rcx
jb 0x400e50

0x400a68:
popcnt（%rbx，%rdx，1），%rax
popcnt 0x8（%rbx，%rdx，1），%rcx
添加%rax，%rcx
popcnt 0x10（%rbx，%rdx，1），%rax
添加%rax，%rcx
popcnt 0x18（%rbx，%rdx，1），%rsi
添加$0x20，%rdx
添加%rsi，%rcx
添加%rcx，%rbp
cmp$0x100000，%rdx
jne 0x400a68

0x400dd0:
popcnt（%r14，%rcx，8），%rdx
添加%rbx，%rdx
popcnt 0x8（%r14，%rcx，8），%rsi
添加%rdx，%rsi
popcnt 0x10（%r14，%rcx，8），%rdx
添加%rsi，%rdx
popcnt 0x18（%r14，%rcx，8），%rbx
添加%rdx，%rbx
添加$0x4，%rcx
cmp$0x20000，%rcx
jb 0x400dd0