ARM向量寄存器操作：ld1/st1与ldr/str、ldp/stp指令差异咨询

核心功能差异 #

• ldr/str：针对通用寄存器（Xn/Wn）的单标量加载/存储，处理32位或64位的单个数据（整数、指针等），数据宽度与寄存器位宽严格匹配。
• ldp/stp：针对通用寄存器对的批量标量加载/存储，一次操作两个通用寄存器，本质是优化版的双ldr/str，减少指令发射次数。
• ld1/st1：针对向量寄存器（Vn）的SIMD数据加载/存储，支持将连续内存中的多个小数据元素打包到向量寄存器，或拆分向量元素到连续内存，处理128位/256位的批量数据（如4个32位整数、8个16位半字等）。

寻址模式差异（除ld1偏移限制外） #

• ldr/str/ldp/stp支持更灵活的寻址：
  • 支持寄存器移位偏移（如ldr x0, [x1, x2, lsl #3]）
  • 支持PC相对寻址（如ldr x0, =constant_label）
  • 前/后索引的偏移范围更大（AArch64中ldr的立即数偏移可达±4096字节）
• ld1/st1的寻址限制：
  • 仅支持立即数偏移或无偏移基址寻址，不支持寄存器移位偏移
  • 后索引模式仅能使用固定步长（等于向量元素总宽度，如16字节对应128位向量），无法自定义步长
  • 不支持PC相对寻址，必须以通用寄存器作为基址

性能差异 #

吞吐量与指令效率 #

• ldp/stp比两条独立的ldr/str吞吐量更高：CPU内存接口通常支持128位并行传输，ldp/stp一次完成双寄存器操作，减少前端指令发射压力，在批量标量处理时能节省约50%的指令数。
• ld1/st1在SIMD场景下远优于标量指令组合：直接加载向量数据无需额外的打包/拆分指令（如mov v0.2d, x0-x1），一次传输128/256位数据，充分利用SIMD内存带宽，批量数据处理的吞吐量是标量指令的4~8倍（取决于元素宽度）。

对齐与内存访问代价 #

• 标量指令（ldr/str/ldp/stp）支持非对齐访问（部分CPU需开启配置），但非对齐访问会有轻微性能 penalty；向量指令（ld1/st1）默认要求向量宽度对齐（如128位ld1需16字节对齐），非对齐访问的性能损失远大于标量，部分旧ARM架构甚至不支持非对齐向量加载。

缓存与流水线 #

• ld1/stp加载向量数据时，一次性将整个向量对应的内存块载入缓存，适合连续批量数据处理，缓存命中率更高；ldr每次仅加载单个标量，批量处理时缓存命中率较低。
• 标量与向量指令使用CPU不同的执行单元，混合场景下可并行执行，提升整体吞吐量；同类型指令的执行速度则受对应单元的吞吐量限制（如SIMD加载单元的数量决定连续ld1的执行效率）。

适用场景示例 #

ldr/str：单个标量操作 #

// 加载函数参数指针指向的64位整数
ldr x0, [x1]
// 存储计算结果到栈帧指定位置
str w0, [sp, #12]
// PC相对寻址加载常量地址
ldr x0, =CONFIG_MAX_VALUE

ldp/stp：批量标量操作 #

// 函数入口保存调用者寄存器（遵循AAPCS64约定）
stp x19, x20, [sp, #-16]!
// 读取结构体中的两个64位字段
ldp x0, x1, [x2]  // x2为结构体指针
// 函数出口恢复寄存器
ldp x19, x20, [sp], #16

ld1/st1：SIMD批量数据处理 #

// 批量加载4个32位整数到向量寄存器
ld1 {v0.4s}, [x0]
ld1 {v1.4s}, [x0, #16]
// 向量加法（同时计算4组数据）
add v0.4s, v0.4s, v1.4s
// 将结果批量存储回内存
st1 {v0.4s}, [x1]

// 处理8个字节数据，清零高4位
ld1 {v0.8b}, [x2]
and v0.8b, v0.8b, #0x0F
st1 {v0.8b}, [x2]

内容的提问来源于stack exchange，提问作者Zz Tux