__int128手动取模实现是否比编译器内置%运算符性能更优？

最近我发现一个有趣的性能现象：手动计算__int128的取模运算符速度明显快于GCC的内置运算符，下面以取模9为例演示这个方法，该思路还能推广到任意数值的取模计算。

两种实现方式 #

内置运算符实现 #

uint64_t mod9_v1(unsigned __int128 n) { return n % 9; }

手动优化实现 #

uint64_t mod9_v2(unsigned __int128 n) { 
    uint64_t r = 0; 
    r += (uint32_t)(n); 
    r += (uint32_t)(n >> 32) * (uint64_t)4; 
    r += (uint32_t)(n >> 64) * (uint64_t)7; 
    r += (uint32_t)(n >> 96); 
    return r % 9; 
}

性能测试结果 #

我用1亿个随机数做了性能测试，结果如下：

• mod9_v1（内置实现）：3.986052秒
• mod9_v2（手动实现）：1.814339秒

测试环境信息：

• 编译器：GCC 9.3.0
• 编译选项：-march=native -O3
• 硬件：AMD Ryzen Threadripper 2990WX

生成的汇编代码 #

为了更直观对比，我提取了两种实现编译后的汇编代码：

mod9_v1的汇编输出 #

mod9_v1:
 sub rsp, 8
 mov edx, 9
 xor ecx, ecx
 call __umodti3
 add rsp, 8
 ret

mod9_v2的汇编输出 #

mod9_v2:
 mov rax, rdi
 shrd rax, rsi, 32
 mov rdx, rsi
 mov r8d, eax
 shr rdx, 32
 mov eax, edi
 add rax, rdx
 lea rax, [rax+r8*4]
 mov esi, esi
 lea rcx, [rax+rsi*8]
 sub rcx, rsi
 mov rax, rcx
 movabs rdx, -2049638230412172401
 mul rdx
 mov rax, rdx
 shr rax, 3
 and rdx, -8
 add rdx, rax
 mov rax, rcx
 sub rax, rdx
 ret

在准备向GCC Bugzilla提交这个性能问题之前，我想确认一下：这个现象是否能在你的环境中复现？

内容的提问来源于stack exchange，提问作者DaBler