_mm256_i32gather_epi32不同步长访存吞吐量差异原因咨询

我正在使用_mm256_i32gather_epi32 intrinsic测量内存吞吐量与运行时长，测试所用循环代码如下：

for (int i = 0; i < len; i+=8) {
    const __m256i* indexes_2 = reinterpret_cast<const __m256i*>(indexes_ptr + i);
    __m256i index_reg = _mm256_loadu_si256(indexes_2);
    __m256i values = _mm256_i32gather_epi32(data_ptr, index_reg, 4);
    sum = _mm256_add_epi32(sum, values);
}

测试通过indexes_ptr指定的索引数组改变data_ptr数组的访问模式，data_ptr数组大小为256MB，确保所有访问均为缓存未命中。测试覆盖的索引访问模式包括：

• 顺序访问：索引依次为0,1,2,3...
• 步长4访问：索引依次为0,4,8,12...
• 步长16访问：索引依次为0,16,32,48...
• 步长32访问
• 步长64访问
• 步长128访问

单条_mm256_i32gather_epi32指令会加载8个32位数值，测试系统缓存行大小为64字节，经统计不同访问模式下单次gather操作触碰的缓存行数量：

• 顺序访问：1个缓存行
• 步长4访问：2个缓存行
• 步长16、步长32、步长64、步长128访问：单次gather均触碰8个缓存行

我原本预期步长16、32、64、128场景的运行时间与内存吞吐量相近，但实测结果存在明显差异，实测数据如下：

• 顺序访问：耗时0.13s，吞吐量16828.2607 MB/s
• 步长4：耗时0.07s，吞吐量17246.1914 MB/s
• 步长16：耗时0.918406s，吞吐量5205.1085 MB/s
• 步长32：耗时1.650566s，吞吐量4756.5279 MB/s
• 步长64：耗时1.798604s，吞吐量5440.2228 MB/s
• 步长128：耗时2.186620s，吞吐量4672.1329 MB/s

核心疑问：既然步长16、32、64、128场景下单条gather指令访问的缓存行数量均为8个，为何运行时间与内存吞吐量存在明显差异？

内容的提问来源于stack exchange，提问作者Bogi