如何编写性能可移植的daxpy？带宽性能优化求助

核心场景与现状 #

DAXPY 的计算逻辑为 y = y + alpha * x（基于向量x、y与标量alpha的运算），当x、y无法装入缓存时，计算性能完全受RAM-CPU带宽限制。在Zen2架构的Ryzen 4600H平台（配置2根3200MHz 4GB内存，无NUMA结构）上，当前实现仅能达到23GB/s的带宽，远低于平台51GB/s的峰值带宽，优化需求迫切。

约束条件：可通过FFTW/Atlas类工具测试获取机器特定参数，但最终程序必须具备性能可移植性。

关键测试发现 #

• 单迭代执行时带宽为23GB/s，多次迭代时可接近峰值（49GB/s），推测硬件预取器需要多轮迭代才能完成模式适配
• 使用GCC 12.2.0编译时，生成的汇编代码未包含循环交换等 locality 优化（Clang编译无此问题）
• 性能分析显示L1D缓存 miss率从17%降至12%，但仍未充分释放带宽

当前尝试的困境 #

已尝试引入手动预取和循环展开的代码优化，但尚未找到合适的参数组合，无法有效提升单迭代场景下的带宽表现。

内容的提问来源于stack exchange，提问作者user25664889