为什么在某些CPU上SSE对齐的读取+随机播放比未对齐的读取要慢？
Rus*_*lan 3 optimization performance x86 sse simd
在尝试优化有限差分代码所必需的未对齐读取时，我更改了未对齐负载，如下所示：
__m128 pm1 =_mm_loadu_ps(&H[k-1]);
到此对齐的读取+随机代码中：
__m128 p0 =_mm_load_ps(&H[k]);
__m128 pm4 =_mm_load_ps(&H[k-4]);
__m128 pm1 =_mm_shuffle_ps(p0,p0,0x90); // move 3 floats to higher positions
__m128 tpm1 =_mm_shuffle_ps(pm4,pm4,0x03); // get missing lowest float
pm1 =_mm_move_ss(pm1,tpm1); // pack lowest float with 3 others
其中H是16字节对准; H[k+1]，H[k±3]和movlhps＆的movhlps优化也有类似的变化H[k±2]（这是循环的完整代码）。
我发现在Core i7-930上阅读的优化H[k±3]似乎很有效，同时添加了下一个优化以±1减慢循环速度（以百分比为单位）。在±1和±3优化之间切换不会改变结果。
同时，在Core 2 Duo 6300和Core 2 Quad上启用两项优化（针对±1和±3）都可以提高性能（提高百分之十），而对于Core i7-4765T，这两项都降低了性能（降低百分之百）。
在Pentium 4上，所有尝试优化未对齐读取的尝试，包括那些带有movlhps/ movhlps导致读取速度减慢的读取。
为什么对于不同的CPU如此不同？是否因为代码大小增加而导致循环可能不适合某些指令缓存？还是因为某些CPU对读取错误对齐不敏感，而另一些CPU敏感得多？也许在某些CPU上，诸如随机播放之类的动作很慢？
英特尔每两年推出一次新的微体系结构。执行单元的数量可以改变，以前只能在一个执行单元中执行的指令在较新的处理器中可能有2或3个可用。指令的等待时间可能会发生变化，例如shuffle添加执行单元时。
英特尔在其《优化参考手册》中提供了一些详细信息，下面是链接，下面已复制了相关部分。
第3.5.2.7节浮点/ SIMD操作数
来自存储器的MOVUPD指令执行两个64位加载，但是需要额外的触发器来调整地址并将这些加载合并到一个寄存器中。使用MOVSD XMMREG1，MEM可以获得相同的功能；MOVSD XMMREG2，MEM + 8; UNPCKLPD XMMREG1，XMMREG2使用更少的触发器，并且可以更有效地打包到跟踪缓存中。已经发现，在某些情况下，后者可以提供百分之几的性能改进。它的编码需要更多的指令字节，但是对于Pentium 4处理器来说很少有问题。MOVUPD的存储版本非常复杂且运行缓慢，以至于必须始终使用带有两个MOVSD和一个UNPCKHPD的序列。
汇编/编译器编码规则44。（对ML的影响，L的通用性）对于未对齐的128位负载，请不要使用MOVUPD XMMREG1，MEM，而应使用MOVSD XMMREG1，MEM。MOVSD XMMREG2，MEM + 8; UNPCKLPD XMMREG1，XMMREG2。如果附加寄存器不可用，则使用MOVSD XMMREG1，MEM；MOVHPD XMMREG1，MEM + 8。
汇编/编译器编码规则45。（M影响，ML通用性）代替将MOVUPD MEM，XMMREG1用于存储，请使用MOVSD MEM，XMMREG1；UNPCKHPD XMMREG1，XMMREG1; MOVSD MEM + 8，改为XMMREG1。
6.5.1.2节数据混乱
从SoA到AoS格式的大量数据可以应用于许多应用程序域，包括3D几何，视频和图像。可以采用两种不同的模糊处理技术来处理浮点数据和整数数据。例6-3说明了使用SHUFPS，MOVLHPS，MOVHLPS指令的Swizzle函数。
例6-3中的技术（使用SHUFPS加载16个字节并复制XMM寄存器的一半）比在较新的微体系结构上使用MOVLPS / MOVHPS加载每个矢量的一半的替代方法更可取。这是因为使用MOVLPS / MOVHPS加载8个字节会产生代码依赖性并降低执行引擎的吞吐量。例6-3和例6-4的性能考虑通常取决于每个微体系结构的特性。例如，在Intel Core微体系结构中，执行SHUFPS的速度往往比PUNPCKxxx指令的速度慢。在增强型英特尔®酷睿™微体系结构中，由于具有128位随机播放执行单元，SHUFPS和PUNPCKxxx指令均以1个周期的吞吐量执行。那么下一个重要的考虑因素是，只有一个端口可以执行PUNPCKxxx vs. MOVLHPS / MOVHLPS可以在多个端口上执行。由于有3个用于执行SIMD指令的端口，因此这两种技术的性能在Intel Core微体系结构上均比以前的微体系结构有所改善。由于采用了128位混洗单元，因此这两种技术在增强型Intel Core微体系结构上均得到了进一步改进。