這與此問(wèn)題有關(guān)，但不一樣：x86-64匯編的性能優(yōu)化 - 對(duì)齊和分支預(yù)測(cè)與我之前的問(wèn)題略有關(guān)系：無(wú)符號(hào)64位到雙倍轉(zhuǎn)換：為什么這個(gè)算法來(lái)自g ++以下是一個(gè)不真實(shí)的測(cè)試用例。這種素性測(cè)試算法是不明智的。我懷疑任何真實(shí)世界的算法都不會(huì)執(zhí)行如此多的小內(nèi)循環(huán)（num大概是2 ** 50的大?。?。在C ++ 11中：using nt = unsigned long long;bool is_prime_float(nt num){   for (nt n=2; n<=sqrt(num); ++n) {      if ( (num%n)==0 ) { return false; }   }   return true;}然后g++ -std=c++11 -O3 -S生成以下內(nèi)容，包含RCX n和包含XMM6 sqrt(num)。請(qǐng)參閱我之前發(fā)布的剩余代碼（在此示例中從未執(zhí)行過(guò)，因?yàn)镽CX永遠(yuǎn)不會(huì)變得足夠大，不能被視為帶符號(hào)的否定）。jmp .L20.p2align 4,,10.L37:pxor    %xmm0, %xmm0cvtsi2sdq   %rcx, %xmm0ucomisd %xmm0, %xmm6jb  .L36   // Exit the loop.L20:xorl    %edx, %edxmovq    %rbx, %raxdivq    %rcxtestq   %rdx, %rdxje  .L30   // Failed divisibility testaddq    $1, %rcxjns .L37// Further code to deal with case when ucomisd can't be used我用這個(gè)時(shí)間std::chrono::steady_clock。我一直在進(jìn)行奇怪的性能變化：從添加或刪除其他代碼。我最終將其追蹤到一個(gè)對(duì)齊問(wèn)題。該命令.p2align 4,,10試圖對(duì)齊2 ** 4 = 16字節(jié)邊界，但只使用最多10個(gè)字節(jié)的填充來(lái)實(shí)現(xiàn)，我想在對(duì)齊和代碼大小之間取得平衡。我寫了一個(gè)Python腳本，用.p2align 4,,10手動(dòng)控制的nop指令數(shù)替換。下面的散點(diǎn)圖顯示了20次運(yùn)行中最快的15次，以秒為單位的時(shí)間，在x軸上填充的字節(jié)數(shù)：散點(diǎn)圖從objdump沒(méi)有填充，將發(fā)生在偏移0x402f5f的PXOR指令。在筆記本電腦上運(yùn)行，Sandybridge i5-3210m，turboboost 禁用，我發(fā)現(xiàn)了對(duì)于0字節(jié)填充，性能較慢（0.42秒）對(duì)于1-4字節(jié)填充（偏移0x402f60到0x402f63）稍微好一點(diǎn)（0.41s，在圖上可見(jiàn)）。對(duì)于5-20個(gè)字節(jié)填充（偏移0x402f64到0x402f73）獲得快速性能（0.37s）對(duì)于21-32字節(jié)填充（偏移0x402f74到0x402f7f）緩慢性能（0.42秒）然后循環(huán)一個(gè)32字節(jié)的樣本因此，16字節(jié)對(duì)齊不能提供最佳性能 - 它使我們處于稍微好一點(diǎn)（或者從散點(diǎn)圖中稍微變化）的區(qū)域。32加4到19的對(duì)齊可以提供最佳性能。為什么我看到這種性能差異？為什么這似乎違反了將分支目標(biāo)與16字節(jié)邊界對(duì)齊的規(guī)則（參見(jiàn)例如英特爾優(yōu)化手冊(cè)）我沒(méi)有看到任何分支預(yù)測(cè)問(wèn)題。這可能是一個(gè)uop緩存怪癖？通過(guò)將C ++算法更改為sqrt(num)64位整數(shù)緩存然后使循環(huán)純粹基于整數(shù)，我刪除了問(wèn)題 - 對(duì)齊現(xiàn)在沒(méi)有任何區(qū)別。