为何添加3个随机字节能让x86-64汇编代码提速10倍？

我正在阅读Agner Fog的《汇编语言子程序优化》手册第9.2节「乱序执行」，并复现其中示例测试性能：

测试案例1：无额外字节的循环 #

; first case = loop without extra bytes.
section .data
    ; using db instead of dd was a mistake which later led
    ; me to this question.
    mem1: db 23
    mem3: db 23
section .bss
    mem2: resd 1
    mem4: resd 1

section .text
    global _start
_start:
    mov rcx, 300000000

loop:
    ; waste time
    mov eax, dword [mem1]
    imul eax, 6
    mov [mem2], eax
    mov edx, dword [mem3]
    imul edx, 8
    mov [mem4], edx

    sub ecx, 1
    jnz loop

    mov eax, 60
    xor edi, edi
    syscall

编译运行耗时：

% nasm -f elf64 outoforder.asm && ld outoforder.o -o outoforder && time ./outoforder
./outoforder  1.46s user 0.00s system 99% cpu 1.458 total

令我困惑的是：在mem1和mem3周围添加至少3个随机字节后，代码速度提升10倍！

测试案例2：添加随机字节的循环 #

; second case = loop + at least three random bytes around mem1 and mem3
section .data
    db 1
    mem1: db 23
    db 1
    mem3: db 23
    db 1

编译运行耗时：

% nasm -f elf64 outoforder.asm && ld outoforder.o -o outoforder && time ./outoforder
./outoforder  0.13s user 0.00s system 99% cpu 0.130 total

无论字节位置如何，结果一致。objdump显示地址未对齐，排除对齐因素。

后续测试：

• 使用DX替代EDX时，代码速度介于两者之间，添加字节无影响；
• 使用AX替代DX时，代码速度与案例2一致；
• 单独运行AX相关循环耗时0.31s，替换为EAX后耗时0.06s。

我无法理解：为何添加3个字节会带来如此大的性能提升？AX对EAX高位的依赖为何未拖慢速度？

处理器：11th Gen Intel(R) Core(TM) i7-11700F @ 2.50GHz
系统：Arch Linux 6.6.10-arch1-1
架构：x86-64

一、添加3个字节带来10倍性能提升的原因 #

核心是重叠内存访问引发的加载-存储转发阻塞。

测试案例1中，mem1和mem3用db定义，内存中仅间隔1字节。执行mov eax, dword [mem1]时会读取从mem1开始的4字节，覆盖mem3所在的内存区域；同理mov edx, dword [mem3]会读取从mem3开始的4字节，覆盖mem1之后的区域。

这种重叠的内存访问会触发CPU存储缓冲区的阻塞：当CPU尝试加载mem3的数据时，发现该区域被之前mem1的4字节读操作覆盖，且后续可能存在未提交的存储操作，被迫等待存储缓冲区刷新，原本可以并行执行的两组mov+imul+mov指令只能串行执行，导致性能暴跌。

添加3个字节后，mem1和mem3的间隔足够大，两个dword加载操作的内存范围不再重叠。此时CPU的乱序执行单元可以同时调度两组指令，充分利用执行单元的并行性，性能自然大幅提升。

二、AX对EAX高位的依赖未拖慢速度的原因 #

现代Intel CPU的寄存器重命名机制和x86-64的寄存器规则共同导致了这个结果：

1. 寄存器重命名的独立性：16位寄存器（如AX）和32位寄存器（如EAX）会被分配独立的物理寄存器，除非存在明确的完整寄存器读写依赖。测试中仅使用AX进行运算和存储，没有读取EAX的完整值，因此AX的操作与EAX高位无依赖关系，乱序执行单元可以独立调度AX相关指令。
2. 16位与32位指令的效率差异：单独运行AX循环耗时更高，是因为现代CPU对32位操作的支持更完善，执行延迟和吞吐量都优于16位操作，且32位寄存器的重命名、调度开销更低，因此替换为EAX后性能进一步提升。

内容的提问来源于stack exchange，提问作者MerWay