c - 在x86指令中写入非阻塞内存？

我正在写一些高度优化的代码，这里有一件事困扰了我很长一段时间，我有一个三重循环的家伙：

 for(int ii = 0; ii < ny; ii++){
     for(int jj = 0; jj < nx; jj++){
        ....some serious calculation....
        for(int kk = 0; kk < CONSTANT; kk++){
            _mm_storeu_ps(&((cells.dir[kk])[ii * nx +jj],result); // Writing result to correct location
        }
     }
 }

单元格只是由9个指针组成的结构，每个指针指向一个大数组。这段代码最初是以array of struct（AoS）模式编写的，我手动重写了整个过程以使用array的struct，这样就可以使用SSE来加快速度。但由于代码的原始结构，上面的代码必须以不友好的方式将结果写入正确的缓存位置，如果我注释掉这一行，我整个程序的运行时间可以减少40%以上。我只是想知道是否有任何用于x86的非阻塞内存写指令可以利用？或者其他一些我可以玩的记忆写的把戏？请不要建议改变循环的结构，这太费时了。
谢谢，
鲍勃

最佳答案

请参阅Agner Fog手册optimizing cpp中的9.11节显式缓存控制。特别是看看第99页的示例9.6b（发布在下面），它展示了如何在不读取缓存线的情况下使用_mm_stream_pi内部函数进行写操作。我自己还没试过，但值得一看。当矩阵大小是关键步幅的倍数时，这会有帮助。不过，更好的解决方案可能是更改代码并使用循环平铺（参见示例9.5b），但您说过不想更改循环的结构，因此使用_mm_stream_ps可能是最佳选择。

// From Agner Fog's manual optimizing cpp on page 99
// Example 9.6b
#include "xmmintrin.h" // header for intrinsic functions
// This function stores a double without loading a cache line:
static inline void StoreNTD(double * dest, double const & source) {
    _mm_stream_pi((__m64*)dest, *(__m64*)&source); // MOVNTQ
    _mm_empty(); // EMMS
}
const int SIZE = 512; // number of rows and columns in matrix
// function to transpose and copy matrix
void TransposeCopy(double a[SIZE][SIZE], double b[SIZE][SIZE]) {
    int r, c;
    for (r = 0; r < SIZE; r++) {
        for (c = 0; c < SIZE; c++) {
            StoreNTD(&a[c][r], b[r][c]);
        }
    }
}