ARMv8平台分支目标地址对齐为何反而导致性能下降？

我有一段用于计算三个向量求和的Go代码：

for i := 0; i < 10000; i++ {
    c[i] += a[i] + b[i]
}

在ARMv8系统上，这段代码生成的汇编如下：

fcddc:       f86478c5        ldr     x5, [x6, x4, lsl #3]
   fcde0:       f8647807        ldr     x7, [x0, x4, lsl #3]
   fcde4:       f8647868        ldr     x8, [x3, x4, lsl #3]
   fcde8:       8b070107        add     x7, x8, x7
   fcdec:       8b0500e5        add     x5, x7, x5
   fcdf0:       f82478c5        str     x5, [x6, x4, lsl #3]
   fcdf4:       91000484        add     x4, x4, #0x1
   fcdf8:       eb04003f        cmp     x1, x4
   fcdfc:       54ffff0c        b.gt    fcddc

可以看到循环体起始于未对齐地址fcddc。根据ARM性能手册，我尝试添加NOP指令将其对齐，修改后的汇编如下：

fcdec:       d503201f        nop
   fcdf0:       d503201f        nop
   fcdf4:       d503201f        nop
   fcdf8:       d503201f        nop
   fcdfc:       d503201f        nop
   fce00:       f86478c5        ldr     x5, [x6, x4, lsl #3]
   fce04:       f8647807        ldr     x7, [x0, x4, lsl #3]
   fce08:       f8647868        ldr     x8, [x3, x4, lsl #3]
   fce0c:       8b070107        add     x7, x8, x7
   fce10:       8b0500e5        add     x5, x7, x5
   fce14:       f82478c5        str     x5, [x6, x4, lsl #3]
   fce18:       91000484        add     x4, x4, #0x1
   fce1c:       eb04003f        cmp     x1, x4
   fce20:       54ffff0c        b.gt    fce00

理论上对齐应提升性能，但实际却出现大幅性能下降。使用perf工具进行自顶向下分析未得到有效结果，仅发现对齐版本存在更多后端绑定停顿，请问该现象的原因是什么？

出现这种反直觉现象的核心原因如下：

1. 指令缓存空间挤占与预取效率下降
   添加的5条NOP指令挤占了L1指令缓存的有限空间，原本仅36字节的循环体可以和周围代码共享缓存行，对齐后整体占用空间变大，可能导致循环体无法稳定驻留在L1指令缓存中，或者预取器需要频繁跨缓存行取指，反而降低了指令供应效率，引发后端执行单元等待。

2. 分支跳转距离变化引发的额外开销
   原始循环的分支跳转距离为-20字节，属于短距离向后跳转，ARM分支预测器对这类跳转的预测准确率和响应速度极高。对齐后跳转距离变为-32字节，部分ARM微架构（如Cortex-A53/A72）对稍长的循环跳转需要额外的预测周期，甚至会出现短暂的预取中断，直接导致后端执行停顿增加。

3. 小循环对齐的收益不足以抵消开销
   ARM性能手册中的对齐建议通常针对大循环（迭代次数多、循环体指令量大），此时对齐带来的译码、预取收益能覆盖相关开销。但你的循环仅10000次迭代，且循环体极小，对齐带来的微乎其微的收益完全被地址变化引发的分支、预取额外开销抵消，甚至反超。

4. 编译器指令调度的隐性破坏
   编译器生成原始汇编时，已经针对目标ARM微架构做了指令调度优化（比如将三条加载指令连续排布，最大化执行单元并行性）。手动移动循环体地址可能破坏了指令与执行单元端口的绑定关系，导致原本可以并行执行的加载、加法指令出现调度冲突，进而增加后端执行停顿。

内容的提问来源于stack exchange，提问作者alexanius