我正在为Linux设备编写一个设备驱动程序。 该设备驱动程序执行多个读写操作来testing吞吐量。 当我使用memcpy时， TLP的最大有效载荷是8字节（在64位体系结构上）。 在我看来，获得16字节有效载荷的唯一方法是使用SSE指令集。 我已经看到这个，但代码不能编译（AT＆T / Intel语法问题）。
首先你可能使用GCC作为编译器，它使用内联汇编器的asm语句。 使用时，必须使用汇编代码的字符串文字（在发送到汇编程序之前将其复制到汇编代码中 – 这意味着该字符串应该包含换行符）。
其次，您可能不得不使用汇编程序的AT＆T语法。
第三个GCC使用扩展的asm在汇编器和C之间传递变量。
第四，如果可能的话，你应该避免使用内联汇编器，因为编译器不可能安排通过asm语句的指令（至少这是真的）。 相反，你可以使用像vector_size属性一样的GCC扩展：
typedef float v4sf __attribute__((vector_size(16))); void fubar( v4sf *p, v4sf* q ) { v4sf p0 = *p++; v4sf p1 = *p++; v4sf p2 = *p++; v4sf p3 = *p++; *q++ = p0; *q++ = p1; *q++ = p2; *q++ = p3; }
有一个好处，就是编译器会产生代码，即使你编译的处理器没有mmx寄存器，但可能还有一些其他的128位寄存器（或根本没有向量寄存器）。
第五，你应该调查提供的memcpy是否不够快。 memcpy经常被优化。
第六，如果你在Linux内核中使用特殊的寄存器，你应该采取预防措施，在上下文切换期间有一些寄存器不能被保存。 上证所注册是这些的一部分。
第七，当你使用这个来测试吞吐量时，你应该考虑处理器是否是一个重要的瓶颈。 比较代码的实际执行与从RAM写入/写入（是否打到或未命中缓存？）或从外部读取/写入。
第八，当移动数据时，你应该避免将大块数据从RAM移到RAM，如果它是来自有限带宽的外设，你肯定应该考虑使用DMA。 请记住，如果访问时间限制了性能，则CPU仍将被视为繁忙（尽管无法以100％的速度运行）。
现在离开这个答案，即使现在很清楚，OP只是想要一个16B传输。 在Linux上，他的代码通过PCIe总线导致两个8B传输。
为了写入MMIO空间，值得使用movnti write-combining-store指令。 movnti的源操作数是GP寄存器，而不是矢量寄存器。
如果在驱动程序代码中包含#include <immintrin.h> ，则可以使用内在函数生成该函数。 在内核中这应该没问题，只要你小心使用什么内在函数。 它没有定义任何全局变量。
所以这部分大部分都不是很相关。
在大多数CPU上（ rep movs是好的）， Linux的memcpy使用它 。 它只使用一个回rep movsq显式循环的CPU，其中rep movsq或rep movsb不是好的选择。
当size是一个编译时常量时， memcpy具有一个使用rep movsl （ rep movsl ＆ rep movsl AT＆T语法） 的内联实现 ，然后清理：non- rep movsw和movsb如果需要）。 （其实有点笨重，国际海事组织，因为大小是一个编译时间常数，也没有利用CPU的快速rep movsb有它。
自P6以来，英特尔CPU至少有相当不错的rep movs实现。 看安迪·格莱的评论 。
但是，对于仅在64位块中移动的memcpy，您还是错了，除非我误读了代码，或者您正在使用回退循环的平台。
无论如何，我不认为你错过了许多使用普通Linux memcpy perf，除非你实际上单步执行你的代码，并且看到它做了一些愚蠢的事情 。
对于较大的副本，无论如何你都要设置DMA。 驱动程序的CPU使用率很重要，而不仅仅是您可以在其他空闲系统上获得的最大吞吐量。 （请小心信赖微基准点。）
在内核中使用SSE意味着保存/恢复向量寄存器。 这是值得的RAID5 / RAID6代码。 该代码只能从专用线程运行，而不能从矢量/ FPU寄存器还有另一个进程数据的上下文运行。
Linux的memcpy可以在任何情况下使用，所以它可以避免使用通常的整数寄存器。 我找到了一篇关于SSE内核memcpy补丁的文章 ，Andi Kleen和Ingo Molnar都说，总是使用SSE作为memcpy是不好的。 也许可能会有一个特殊的批量memcpy的大副本，值得保存矢量注册表。
您可以在内核中使用SSE， 但是您必须将其包装在kernel_fpu_begin()和kernel_fpu_end() 。 在Linux 3.7和更高版本上， kernel_fpu_end（）实际上是恢复FPU状态的工作 ，所以不要在函数中使用大量的fpu_begin / fpu_end对。 另请注意，kernel_fpu_begin禁用抢占，并且不能“做任何可能的错误或睡眠”。
理论上讲，只保存一个向量reg，比如xmm0就好。 你必须确保你使用了SSE 而不是 AVX指令，因为你需要避免调零ymm0 / zmm0的上半部分。 当您返回使用ymm regs的代码时，您可能会导致AVX + SSE失速。 除非你想做一个完整的矢量注册表，否则你不能运行vzeroupper。 甚至要做到这一点，你需要检测AVX支持…
但是，即使这样做了一次性保存/恢复，也需要您采取与kernel_fpu_begin相同的预防措施，并禁用抢占。 既然你将存储到你自己的专用存储槽（在堆栈中的概率），而不是task_struct.thread.fpu ，我不确定即使禁用抢占足以保证用户空间的FPU状态不会被破坏。 也许是，但也许不是，我不是内核黑客。 禁用中断也可能会比使用kernel_fpu_begin()/kernel_fpu_end()只使用kernel_fpu_begin()/kernel_fpu_end()触发完整的FPU状态保存更糟糕。
你提到的链接是使用非临时商店。 之前我已经讨论过这个，例如这里和这里 。 我建议你在进一步阅读之前阅读这些内容。
但是，如果您真的想在链接中提供内联汇编代码，您可以这样做：使用intrinsics代替。
不能用GCC编译代码的事实正是内在函数创建的原因之一。 对于32位和64位代码，内联汇编必须以不同方式编写，并且对于每个编译器通常具有不同的语法。 内在解决所有这些问题。
下面的代码应该在32位和64位模式下使用GCC，Clang，ICC和MSVC进行编译。
#include "xmmintrin.h" void X_aligned_memcpy_sse2(char* dest, const char* src, const unsigned long size) { for(int i=size/128; i>0; i--) { __m128i xmm0, xmm1, xmm2, xmm3, xmm4, xmm5, xmm6, xmm7; _mm_prefetch(src + 128, _MM_HINT_NTA); _mm_prefetch(src + 160, _MM_HINT_NTA); _mm_prefetch(src + 194, _MM_HINT_NTA); _mm_prefetch(src + 224, _MM_HINT_NTA); xmm0 = _mm_load_si128((__m128i*)&src[ 0]); xmm1 = _mm_load_si128((__m128i*)&src[ 16]); xmm2 = _mm_load_si128((__m128i*)&src[ 32]); xmm3 = _mm_load_si128((__m128i*)&src[ 48]); xmm4 = _mm_load_si128((__m128i*)&src[ 64]); xmm5 = _mm_load_si128((__m128i*)&src[ 80]); xmm6 = _mm_load_si128((__m128i*)&src[ 96]); xmm7 = _mm_load_si128((__m128i*)&src[ 112]); _mm_stream_si128((__m128i*)&dest[ 0], xmm0); _mm_stream_si128((__m128i*)&dest[ 16], xmm1); _mm_stream_si128((__m128i*)&dest[ 32], xmm2); _mm_stream_si128((__m128i*)&dest[ 48], xmm3); _mm_stream_si128((__m128i*)&dest[ 64], xmm4); _mm_stream_si128((__m128i*)&dest[ 80], xmm5); _mm_stream_si128((__m128i*)&dest[ 96], xmm6); _mm_stream_si128((__m128i*)&dest[ 112], xmm7); src += 128; dest += 128; } }
请注意， src和dest需要是16字节对齐的，并且该size需要是128的倍数。
不过，我不建议使用这个代码。 在非临时存储有用的情况下，循环展开是无用的，显式预取很少有用。 你可以简单的做
void copy(char *x, char *y, int n) { #pragma omp parallel for schedule(static) for(int i=0; i<n/16; i++) { _mm_stream_ps((float*)&y[16*i], _mm_load_ps((float*)&x[16*i])); } }
为什么可以在这里找到更多的细节。
这里是使用GCC -O3 -S -masm=intel内在函数的X_aligned_memcpy_sse2函数中的程序集。 注意，它和这里基本相同。
shr rdx, 7 test edx, edx mov eax, edx jle .L1 .L5: sub rsi, -128 movdqa xmm6, XMMWORD PTR [rsi-112] prefetchnta [rsi] prefetchnta [rsi+32] prefetchnta [rsi+66] movdqa xmm5, XMMWORD PTR [rsi-96] prefetchnta [rsi+96] sub rdi, -128 movdqa xmm4, XMMWORD PTR [rsi-80] movdqa xmm3, XMMWORD PTR [rsi-64] movdqa xmm2, XMMWORD PTR [rsi-48] movdqa xmm1, XMMWORD PTR [rsi-32] movdqa xmm0, XMMWORD PTR [rsi-16] movdqa xmm7, XMMWORD PTR [rsi-128] movntdq XMMWORD PTR [rdi-112], xmm6 movntdq XMMWORD PTR [rdi-96], xmm5 movntdq XMMWORD PTR [rdi-80], xmm4 movntdq XMMWORD PTR [rdi-64], xmm3 movntdq XMMWORD PTR [rdi-48], xmm2 movntdq XMMWORD PTR [rdi-128], xmm7 movntdq XMMWORD PTR [rdi-32], xmm1 movntdq XMMWORD PTR [rdi-16], xmm0 sub eax, 1 jne .L5 .L1: rep ret