Cortex-A77平台寄存器分配对代码性能的影响咨询
2026-7-26
Cortex-A77上字节拷贝代码的性能差异分析
测试环境与代码
在搭载Cortex-A77 CPU的嵌入式板上测试两段字节拷贝代码，输入/输出缓冲区大小约96MB，运行内核1000次并剔除前200次取平均值，开启O3优化。
kernel_func_x16代码
void kernel_func_x16(unsigned char* __restrict input_data, unsigned char* __restrict output_data) { int stride_size=16; for(int i=0; i<100000000; i+=stride_size) { *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; } return; }
性能结果：耗时约8.3ms。
kernel_func_x32代码
void kernel_func_x32(unsigned char* __restrict input_data, unsigned char* __restrict output_data) { int stride_size=32; for(int i=0; i<100000000; i+=stride_size) { *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; *output_data++ = *input_data++; } return; }
性能结果：耗时约11.1ms。
优化后的汇编代码对比
kernel_func_x16汇编（O3优化）
///// KERNEL_FUNC_X16 /////// .arch armv8.2-a+crc .file "kernel.cpp" .text .align 2 .p2align 4,,11 .global _Z15kernel_func_x16PhS_ .type _Z15kernel_func_x16PhS_, %function _Z15kernel_func_x16PhS_: .LFB4340: .cfi_startproc mov x3, 57600 mov x2, 0 movk x3, 0x5f5, lsl 16 .p2align 3,,7 .L2: ldr q0, [x0, x2] str q0, [x1, x2] add x2, x2, 16 cmp x2, x3 bne .L2 ret .cfi_endproc .LFE4340: .size _Z15kernel_func_x16PhS_, .-_Z15kernel_func_x16PhS_ .ident "GCC: (Ubuntu 11.1.0-1ubuntu1~18.04.1) 11.1.0" .section .note.GNU-stack,"",@progbits
kernel_func_x32汇编（O3优化）
///// KERNEL_FUNC_X32 /////// .arch armv8.2-a+crc .file "kernel.cpp" .text .align 2 .p2align 4,,11 .global _Z15kernel_func_x32PhS_ .type _Z15kernel_func_x32PhS_, %function _Z15kernel_func_x32PhS_: .LFB4340: .cfi_startproc mov x3, 57600 add x5, x0, 16 add x4, x1, 16 mov x2, 0 movk x3, 0x5f5, lsl 16 .p2align 3,,7 .L2: ldr q1, [x0, x2] ldr q0, [x5, x2] str q1, [x1, x2] str q0, [x4, x2] add x2, x2, 32 cmp x2, x3 bne .L2 ret .cfi_endproc .LFE4340: .size _Z15kernel_func_x32PhS_, .-_Z15kernel_func_x32PhS_ .ident "GCC: (Ubuntu 11.1.0-1ubuntu1~18.04.1) 11.1.0" .section .note.GNU-stack,"",@progbits
性能调试与关键发现
为缩小性能差距，尝试调整kernel_func_x32的汇编指令序列，使其结构接近kernel_func_x16：
.arch armv8.2-a+crc .file "kernel.cpp" .text .align 2 .p2align 4,,11 .global _Z15kernel_func_x32PhS_ .type _Z15kernel_func_x32PhS_, %function _Z15kernel_func_x32PhS_: .LFB4340: .cfi_startproc mov x3, 57600 add x5, x0, 0 add x4, x1, 0 mov x2, 0 movk x3, 0x5f5, lsl 16 .p2align 3,,7 .L2: ldr q1, [x0, x2] str q1, [x1, x2] add x2, x2, 16 ldr q0, [x5, x2] str q0, [x4, x2] add x2, x2, 16 cmp x2, x3 bne .L2 ret .cfi_endproc .LFE4340: .size _Z15kernel_func_x32PhS_, .-_Z15kernel_func_x32PhS_ .ident "GCC: (Ubuntu 11.1.0-1ubuntu1~18.04.1) 11.1.0" .section .note.GNU-stack,"",@progbits
修改后性能仍约为11ms，但仅将汇编中的x5、x4替换为x0、x1后：
.arch armv8.2-a+crc .file "kernel.cpp" .text .align 2 .p2align 4,,11 .global _Z15kernel_func_x32PhS_ .type _Z15kernel_func_x32PhS_, %function _Z15kernel_func_x32PhS_: .LFB4340: .cfi_startproc mov x3, 57600 add x5, x0, 0 add x4, x1, 0 mov x2, 0 movk x3, 0x5f5, lsl 16 .p2align 3,,7 .L2: ldr q1, [x0, x2] str q1, [x1, x2] add x2, x2, 16 ldr q0, [x0, x2] str q0, [x1, x2] add x2, x2, 16 cmp x2, x3 bne .L2 ret .cfi_endproc .LFE4340: .size _Z15kernel_func_x32PhS_, .-_Z15kernel_func_x32PhS_ .ident "GCC: (Ubuntu 11.1.0-1ubuntu1~18.04.1) 11.1.0" .section .note.GNU-stack,"",@progbits
性能提升至约8.2ms，与kernel_func_x16基本持平。
差异原因分析建议
从Cortex-A77的微架构特性出发，寄存器替换导致的性能差异可能源于以下几点：
参数寄存器的硬件通路优化
Cortex-A77的地址生成单元（AGU）对函数参数寄存器（x0-x7）有专门的优化设计。x0/x1作为函数调用的固定参数寄存器，硬件在地址计算时会优先分配低延迟的通路，能与加载/存储操作更好地并行。而x5/x4这类通用寄存器的地址计算可能需要经过额外的端口，微小的延迟在大循环中被累积放大。冗余寄存器的依赖链影响
虽然add x5, x0, 0是逻辑冗余操作，但硬件指令调度器无法完全消除其依赖关系。循环中ldr q0, [x5, x2]的地址计算需要等待x5的值就绪，即使x5从未改变，硬件仍会维护这条依赖链，限制了指令级并行（ILP）的发挥。直接使用x0时，地址计算可直接复用已就绪的基址，调度效率更高。内存预取器的行为差异
Cortex-A77的硬件预取器依赖基址寄存器识别连续内存流。使用x0作为基址时，预取器能稳定关联到同一内存访问模式，预取效率更高；而使用x5作为基址（即使x5=x0），预取器可能将其视为独立流，导致缓存命中率下降，增加等待时间。寄存器重命名的潜在开销
Cortex-A77的寄存器重命名机制对不同寄存器组有细微差异。x0/x1属于高频使用的参数寄存器，重命名逻辑更高效，能减少流水线气泡（stall）；而x5/x4的重命名可能引入额外开销。
验证建议
- 替换x5/x4为其他参数寄存器（如x2/x3），观察性能是否接近x0/x1版本；
- 借助硬件性能计数器，对比两种版本的L1缓存命中数、AGU利用率、指令调度延迟等指标；
- 检查编译器是否对x0/x1的内存访问触发了特定优化（如内联
memcpy的专用路径）。
内容的提问来源于stack exchange，提问作者ALPHA
相关产品推荐
相关产品推荐
