如何用非常规技巧填充AVX512寄存器为递增小端字节？

纯寄存器构造方案（无需内存加载） #

如果需要完全在寄存器内生成0-63的递增字节序列（小端序），可以通过以下AVX512指令组合实现：

; 1. 生成每个64位lane内的0-7基础字节序列
movq    xmm0, qword ptr [rip+.LC0]  ; xmm0 = 0x0706050403020100（小端序下字节为0,1,2,3,4,5,6,7）
vpbroadcastq zmm0, xmm0             ; zmm0的8个64位lane均为0-7递增字节

; 2. 构造每个lane的偏移寄存器（每个lane的字节为对应起始偏移：0,8,16,...,56）
movq    xmm1, qword ptr [rip+.LC1]  ; xmm1 = 0x0000000000000000（第1个lane偏移0）
movq    xmm2, qword ptr [rip+.LC2]  ; xmm2 = 0x0808080808080808（第2个lane偏移8）
vpinsertq zmm1, zmm1, xmm2, 1
movq    xmm2, qword ptr [rip+.LC3]  ; xmm2 = 0x1010101010101010（第3个lane偏移16）
vpinsertq zmm1, zmm1, xmm2, 2
movq    xmm2, qword ptr [rip+.LC4]  ; xmm2 = 0x1818181818181818（第4个lane偏移24）
vpinsertq zmm1, zmm1, xmm2, 3
movq    xmm2, qword ptr [rip+.LC5]  ; xmm2 = 0x2020202020202020（第5个lane偏移32）
vpinsertq zmm1, zmm1, xmm2, 4
movq    xmm2, qword ptr [rip+.LC6]  ; xmm2 = 0x2828282828282828（第6个lane偏移40）
vpinsertq zmm1, zmm1, xmm2, 5
movq    xmm2, qword ptr [rip+.LC7]  ; xmm2 = 0x3030303030303030（第7个lane偏移48）
vpinsertq zmm1, zmm1, xmm2, 6
movq    xmm2, qword ptr [rip+.LC8]  ; xmm2 = 0x3838383838383838（第8个lane偏移56）
vpinsertq zmm1, zmm1, xmm2, 7

; 3. 合并基础序列与偏移，得到最终递增字节序列
vpaddb  zmm0, zmm0, zmm1

其中.LC0到.LC8是预定义的64位常量，也可通过立即数加载替代（取决于汇编器支持）。

更精简的寄存器方案（利用移位技巧） #

通过移位生成偏移的方式，能减少指令数量：

; 1. 生成基础0-7字节序列
movq    xmm0, qword ptr [rip+.LC0]
vpbroadcastq zmm0, xmm0

; 2. 生成偏移寄存器：每个lane的字节为8 * lane_idx
mov     eax, 0x00081018
vpbroadcastd zmm1, eax              ; zmm1的32位块为0,8,16,24
vpsllvd zmm2, zmm1, zmm3            ; zmm3是预构造的移位掩码，每个32位块为0,32,64,96
vpbroadcastb zmm2, zmm2             ; 将32位偏移广播到每个字节
vpbroadcastd zmm1, eax              ; 构造高4个lane的偏移
vpsllvd zmm1, zmm1, zmm4            ; zmm4移位掩码为128,160,192,224
vpbroadcastb zmm1, zmm1
vpblendmb zmm1, zmm1, zmm2          ; 合并高低4个lane的偏移

; 3. 合并序列
vpaddb  zmm0, zmm0, zmm1

与内存加载方案的对比 #

编译器生成的vmovdqa64从.rodata加载的方案，在绝大多数场景下更优：

• 常量存储在只读数据段，会被操作系统预加载至缓存，后续访问几乎无开销
• 仅需单条指令完成加载，延迟和吞吐量均优于多条寄存器组合指令
• 只有在极端场景（如内存缓存完全不可用）下，寄存器构造方案才具备优势

内容的提问来源于stack exchange，提问作者TLW