为何使用rsi/rdi的strcpy实现耗时更长？x86-64字符串处理咨询

你遇到的这个问题很有意思——明明用了“标准”的字符串寄存器，结果性能反而不如手动操作指针的实现，核心原因出在你的RSI/RDI版本代码存在逻辑冗余和不必要的内存访问，再加上现代CPU对简单指令序列的优化反而比传统字符串指令更友好。

你的RSI/RDI实现的性能瓶颈分析 #

先仔细拆解你的第一个实现：

custom_strcpy proc
    mov rsi, rdx
    mov rdi, rcx
    mov rax, rdi
_loop:
    movsb                ; 复制[rsi]到[rdi]，自动inc rsi/rdi
    mov r8d, [rsi]       ; 读取RSI当前指向的4字节（注意是下一个字节开始）
    cmp r8d, 0
    jne _loop
_end:
    mov byte ptr[rdi], 0 ; 手动加终止0
    ret
custom_strcpy endp

这里有几个拖慢性能的关键问题：

1. 不必要的4字节读取：mov r8d, [rsi]读取了4字节，但你只需要判断其中最低1字节是否为0。这种宽内存访问可能会读取字符串末尾之外的未初始化内存，不仅可能触发缓存行的额外加载，还会因为不对齐访问（如果RSI此时未对齐到4字节边界）带来性能惩罚。
2. 冗余的终止操作：你的循环只复制了字符串的非0字节，最后还要手动写一个0到目标地址。而第二个实现的循环直接把终止0也复制了，少了一条额外的指令。
3. 指令依赖与流水线阻塞：movsb刚修改了RSI，紧接着就读取[rsi]，这种数据依赖会让CPU流水线无法并行执行后续指令，降低了执行效率。
4. 字符串指令的现代开销：movsb这类传统字符串指令，在早期CPU上是专门优化的，但现代CPU对简单的mov + inc + cmp序列的优化更好——这些指令解码更快，流水线冲突更少，尤其在处理短字符串（比如你测试的"Hello, world!"）时，优势更明显。

x86-64处理字符串的推荐方案 #

寄存器选择 #

RSI（源指针）和RDI（目标指针）确实是x86-64中字符串操作的标准寄存器，这是System V AMD64 ABI规定的——函数调用中第一个参数（dst）存RDI，第二个参数（src）存RSI，刚好匹配字符串操作指令的要求，所以使用它们是符合规范的。

指令选择 #

根据字符串长度不同，推荐的实现方式也不同：

• 短字符串（几十字节以内）：用手动的字节/字复制循环，比如修正后的RSI/RDI版本：

  custom_strcpy proc
      mov rsi, rdx        ; src -> RSI
      mov rdi, rcx        ; dst -> RDI
      mov rax, rdi        ; 保存目标地址作为返回值
  _loop:
      mov al, [rsi]       ; 读取源字节
      mov [rdi], al       ; 写入目标
      inc rsi
      inc rdi
      test al, al         ; 判断是否为终止0
      jne _loop
      ret
  custom_strcpy endp
  

  这个版本逻辑正确，没有冗余操作，性能会和你的第二个实现相当甚至更好。

• 长字符串：使用rep movsb（重复字符串复制），现代CPU（比如Intel的Fast String技术）对rep前缀的字符串指令做了深度优化，能利用内存带宽实现高速复制。不过需要先计算字符串长度：

  custom_strcpy proc
      mov rsi, rdx
      mov rdi, rcx
      mov rax, rdi        ; 保存返回地址
  
      ; 计算字符串长度（包括终止0）
      mov rcx, -1
      xor al, al
      repne scasb         ; 从RDI（临时用一下）找终止0，RCX变为 -(长度+1)
      neg rcx             ; RCX = 字符串总长度（含0）
      mov rdi, rax        ; 恢复目标指针
  
      rep movsb           ; 复制RCX字节
      ret
  custom_strcpy endp
  

• 更高效的宽字节复制：对于长字符串，还可以先用movq（8字节）、movdqu（16字节）等宽指令批量复制，再处理剩余的字节，进一步减少循环次数。

总结 #

你的第一个实现性能差不是因为RSI/RDI不好，而是代码逻辑存在冗余和不合理的内存访问。修正后的RSI/RDI版本完全可以达到甚至超越手动指针操作的性能。在x86-64中，RSI/RDI是字符串处理的标准寄存器，选择指令时要根据字符串长度和场景来决定——短字符串用简单循环，长字符串用优化过的rep前缀指令。

内容的提问来源于stack exchange，提问作者paxbun