int u1, u2;
unsigned long elm1[20], _mulpre[16][20], res1[40], res2[40]; 64 bits long
res1, res2 initialized to zero.
l = 60;
while (l)
{
for (i = 0; i < 20; i += 2)
{
u1 = (elm1[i] >> l) & 15;
u2 = (elm1[i + 1] >> l) & 15;
for (k = 0; k < 20; k += 2)
{
simda = _mm_load_si128 ((__m128i *) &_mulpre[u1][k]);
simdb = _mm_load_si128 ((__m128i *) &res1[i + k]);
simdb = _mm_xor_si128 (simda, simdb);
_mm_store_si128 ((__m128i *)&res1[i + k], simdb);
simda = _mm_load_si128 ((__m128i *)&_mulpre[u2][k]);
simdb = _mm_load_si128 ((__m128i *)&res2[i + k]);
simdb = _mm_xor_si128 (simda, simdb);
_mm_store_si128 ((__m128i *)&res2[i + k], simdb);
}
}
l -= 4;
All res1, res2 values are left shifted by 4 bits.
}
上面提到的代码在我的程序中被多次调用(分析器显示98%)。
编辑:在内部循环中,对于相同的(i + k)值,res1 [i + k]值被加载多次。我在while循环中对此进行了尝试,将所有res1值加载到simd寄存器(数组)中,并在最里面的for循环内使用数组元素来更新数组元素。一旦两个for循环都完成,我就将数组值存储回res1,re2。但是计算时间随之增加。知道我错了吗?这个想法似乎是正确的
任何建议使其更快。
最佳答案
不幸的是,最明显的优化可能已经由编译器完成:
您可以拉&_mulpre[u1]
和&mulpre[u2]
内部循环。
您可以拉&res1[i]
我们的内循环。
对两个内部操作使用不同的变量,并对它们重新排序,可能会更好地进行流水线处理。
可能地交换外部循环将改善elm1
上的缓存局部性。