为什么2*(i*i)比Java中的2*i*i更快?

Ste*_*fan 833 java performance benchmarking jit bytecode

以下Java程序平均需要在0.50到0.55之间运行:

public static void main(String[] args) {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * (i * i);
    }
    System.out.println((double) (System.nanoTime() - startTime) / 1000000000 + " s");
    System.out.println("n = " + n);
}
Run Code Online (Sandbox Code Playgroud)

如果我更换2 * (i * i)2 * i * i,它需要0.60〜0.65s之间运行.怎么会?

我运行了每个版本的程序15次,在两者之间交替.结果如下:

 2*(i*i)  |  2*i*i
----------+----------
0.5183738 | 0.6246434
0.5298337 | 0.6049722
0.5308647 | 0.6603363
0.5133458 | 0.6243328
0.5003011 | 0.6541802
0.5366181 | 0.6312638
0.515149  | 0.6241105
0.5237389 | 0.627815
0.5249942 | 0.6114252
0.5641624 | 0.6781033
0.538412  | 0.6393969
0.5466744 | 0.6608845
0.531159  | 0.6201077
0.5048032 | 0.6511559
0.5232789 | 0.6544526
Run Code Online (Sandbox Code Playgroud)

最快的运行2 * i * i时间比最慢的运行时间长2 * (i * i).如果它们同样有效,则发生这种情况的概率将小于1/2 ^ 15 = 0.00305%.

rus*_*tyx 1190

字节码的顺序略有不同.

2 * (i * i):

     iconst_2
     iload0
     iload0
     imul
     imul
     iadd
Run Code Online (Sandbox Code Playgroud)

vs 2 * i * i:

     iconst_2
     iload0
     imul
     iload0
     imul
     iadd
Run Code Online (Sandbox Code Playgroud)

乍一看,这不应该有所作为; 如果有的话,第二个版本更优,因为它使用的一个插槽更少.

所以我们需要深入挖掘下层(JIT)1.

请记住,JIT倾向于非常积极地展开小循环.事实上,我们观察到2 * (i * i)案件的展开时间为16倍:

030   B2: # B2 B3 <- B1 B2  Loop: B2-B2 inner main of N18 Freq: 1e+006
030     addl    R11, RBP    # int
033     movl    RBP, R13    # spill
036     addl    RBP, #14    # int
039     imull   RBP, RBP    # int
03c     movl    R9, R13 # spill
03f     addl    R9, #13 # int
043     imull   R9, R9  # int
047     sall    RBP, #1
049     sall    R9, #1
04c     movl    R8, R13 # spill
04f     addl    R8, #15 # int
053     movl    R10, R8 # spill
056     movdl   XMM1, R8    # spill
05b     imull   R10, R8 # int
05f     movl    R8, R13 # spill
062     addl    R8, #12 # int
066     imull   R8, R8  # int
06a     sall    R10, #1
06d     movl    [rsp + #32], R10    # spill
072     sall    R8, #1
075     movl    RBX, R13    # spill
078     addl    RBX, #11    # int
07b     imull   RBX, RBX    # int
07e     movl    RCX, R13    # spill
081     addl    RCX, #10    # int
084     imull   RCX, RCX    # int
087     sall    RBX, #1
089     sall    RCX, #1
08b     movl    RDX, R13    # spill
08e     addl    RDX, #8 # int
091     imull   RDX, RDX    # int
094     movl    RDI, R13    # spill
097     addl    RDI, #7 # int
09a     imull   RDI, RDI    # int
09d     sall    RDX, #1
09f     sall    RDI, #1
0a1     movl    RAX, R13    # spill
0a4     addl    RAX, #6 # int
0a7     imull   RAX, RAX    # int
0aa     movl    RSI, R13    # spill
0ad     addl    RSI, #4 # int
0b0     imull   RSI, RSI    # int
0b3     sall    RAX, #1
0b5     sall    RSI, #1
0b7     movl    R10, R13    # spill
0ba     addl    R10, #2 # int
0be     imull   R10, R10    # int
0c2     movl    R14, R13    # spill
0c5     incl    R14 # int
0c8     imull   R14, R14    # int
0cc     sall    R10, #1
0cf     sall    R14, #1
0d2     addl    R14, R11    # int
0d5     addl    R14, R10    # int
0d8     movl    R10, R13    # spill
0db     addl    R10, #3 # int
0df     imull   R10, R10    # int
0e3     movl    R11, R13    # spill
0e6     addl    R11, #5 # int
0ea     imull   R11, R11    # int
0ee     sall    R10, #1
0f1     addl    R10, R14    # int
0f4     addl    R10, RSI    # int
0f7     sall    R11, #1
0fa     addl    R11, R10    # int
0fd     addl    R11, RAX    # int
100     addl    R11, RDI    # int
103     addl    R11, RDX    # int
106     movl    R10, R13    # spill
109     addl    R10, #9 # int
10d     imull   R10, R10    # int
111     sall    R10, #1
114     addl    R10, R11    # int
117     addl    R10, RCX    # int
11a     addl    R10, RBX    # int
11d     addl    R10, R8 # int
120     addl    R9, R10 # int
123     addl    RBP, R9 # int
126     addl    RBP, [RSP + #32 (32-bit)]   # int
12a     addl    R13, #16    # int
12e     movl    R11, R13    # spill
131     imull   R11, R13    # int
135     sall    R11, #1
138     cmpl    R13, #999999985
13f     jl     B2   # loop end  P=1.000000 C=6554623.000000
Run Code Online (Sandbox Code Playgroud)

我们看到有1个寄存器被"溢出"到堆栈中.

对于2 * i * i版本:

05a   B3: # B2 B4 <- B1 B2  Loop: B3-B2 inner main of N18 Freq: 1e+006
05a     addl    RBX, R11    # int
05d     movl    [rsp + #32], RBX    # spill
061     movl    R11, R8 # spill
064     addl    R11, #15    # int
068     movl    [rsp + #36], R11    # spill
06d     movl    R11, R8 # spill
070     addl    R11, #14    # int
074     movl    R10, R9 # spill
077     addl    R10, #16    # int
07b     movdl   XMM2, R10   # spill
080     movl    RCX, R9 # spill
083     addl    RCX, #14    # int
086     movdl   XMM1, RCX   # spill
08a     movl    R10, R9 # spill
08d     addl    R10, #12    # int
091     movdl   XMM4, R10   # spill
096     movl    RCX, R9 # spill
099     addl    RCX, #10    # int
09c     movdl   XMM6, RCX   # spill
0a0     movl    RBX, R9 # spill
0a3     addl    RBX, #8 # int
0a6     movl    RCX, R9 # spill
0a9     addl    RCX, #6 # int
0ac     movl    RDX, R9 # spill
0af     addl    RDX, #4 # int
0b2     addl    R9, #2  # int
0b6     movl    R10, R14    # spill
0b9     addl    R10, #22    # int
0bd     movdl   XMM3, R10   # spill
0c2     movl    RDI, R14    # spill
0c5     addl    RDI, #20    # int
0c8     movl    RAX, R14    # spill
0cb     addl    RAX, #32    # int
0ce     movl    RSI, R14    # spill
0d1     addl    RSI, #18    # int
0d4     movl    R13, R14    # spill
0d7     addl    R13, #24    # int
0db     movl    R10, R14    # spill
0de     addl    R10, #26    # int
0e2     movl    [rsp + #40], R10    # spill
0e7     movl    RBP, R14    # spill
0ea     addl    RBP, #28    # int
0ed     imull   RBP, R11    # int
0f1     addl    R14, #30    # int
0f5     imull   R14, [RSP + #36 (32-bit)]   # int
0fb     movl    R10, R8 # spill
0fe     addl    R10, #11    # int
102     movdl   R11, XMM3   # spill
107     imull   R11, R10    # int
10b     movl    [rsp + #44], R11    # spill
110     movl    R10, R8 # spill
113     addl    R10, #10    # int
117     imull   RDI, R10    # int
11b     movl    R11, R8 # spill
11e     addl    R11, #8 # int
122     movdl   R10, XMM2   # spill
127     imull   R10, R11    # int
12b     movl    [rsp + #48], R10    # spill
130     movl    R10, R8 # spill
133     addl    R10, #7 # int
137     movdl   R11, XMM1   # spill
13c     imull   R11, R10    # int
140     movl    [rsp + #52], R11    # spill
145     movl    R11, R8 # spill
148     addl    R11, #6 # int
14c     movdl   R10, XMM4   # spill
151     imull   R10, R11    # int
155     movl    [rsp + #56], R10    # spill
15a     movl    R10, R8 # spill
15d     addl    R10, #5 # int
161     movdl   R11, XMM6   # spill
166     imull   R11, R10    # int
16a     movl    [rsp + #60], R11    # spill
16f     movl    R11, R8 # spill
172     addl    R11, #4 # int
176     imull   RBX, R11    # int
17a     movl    R11, R8 # spill
17d     addl    R11, #3 # int
181     imull   RCX, R11    # int
185     movl    R10, R8 # spill
188     addl    R10, #2 # int
18c     imull   RDX, R10    # int
190     movl    R11, R8 # spill
193     incl    R11 # int
196     imull   R9, R11 # int
19a     addl    R9, [RSP + #32 (32-bit)]    # int
19f     addl    R9, RDX # int
1a2     addl    R9, RCX # int
1a5     addl    R9, RBX # int
1a8     addl    R9, [RSP + #60 (32-bit)]    # int
1ad     addl    R9, [RSP + #56 (32-bit)]    # int
1b2     addl    R9, [RSP + #52 (32-bit)]    # int
1b7     addl    R9, [RSP + #48 (32-bit)]    # int
1bc     movl    R10, R8 # spill
1bf     addl    R10, #9 # int
1c3     imull   R10, RSI    # int
1c7     addl    R10, R9 # int
1ca     addl    R10, RDI    # int
1cd     addl    R10, [RSP + #44 (32-bit)]   # int
1d2     movl    R11, R8 # spill
1d5     addl    R11, #12    # int
1d9     imull   R13, R11    # int
1dd     addl    R13, R10    # int
1e0     movl    R10, R8 # spill
1e3     addl    R10, #13    # int
1e7     imull   R10, [RSP + #40 (32-bit)]   # int
1ed     addl    R10, R13    # int
1f0     addl    RBP, R10    # int
1f3     addl    R14, RBP    # int
1f6     movl    R10, R8 # spill
1f9     addl    R10, #16    # int
1fd     cmpl    R10, #999999985
204     jl     B2   # loop end  P=1.000000 C=7419903.000000
Run Code Online (Sandbox Code Playgroud)

在这里[RSP + ...],由于需要保留更多的中间结果,我们观察到更多的"溢出"和对堆栈的更多访问.

因此,问题的答案很简单:2 * (i * i)2 * i * iJIT为第一种情况生成更优的汇编代码要快.


但当然很明显,第一版和第二版都没有任何好处; 循环可以真正受益于矢量化,因为任何x86-64 CPU至少具有SSE2支持.

所以这是优化器的问题; 通常情况下,它会过于积极地展开并在脚下射击,一直错过各种其他机会.

实际上,现代x86-64 CPU将指令进一步分解为微操作(μops),并具有寄存器重命名,μop缓存和循环缓冲等功能,循环优化比简单展开以获得最佳性能要精细得多.根据Agner Fog的优化指南:

如果平均指令长度超过4个字节,则由μop缓存引起的性能增益可能相当大.可以考虑以下优化μop缓存使用的方法:

  • 确保关键循环足够小以适应μop缓存.
  • 将最关键的循环条目和函数条目与32对齐.
  • 避免不必要的循环展开.
  • 避免使用有额外加载时间的指令
    ...

关于那些加载时间 - 即使最快的L1D命中也需要4个周期,额外的寄存器和μop,所以是的,即使是少量的内存访问也会影响紧密循环中的性能.

但回到矢量化的机会 - 看看它有多快,我们可以用GCC编译一个类似的C应用程序,它直接向它进行矢量化(AVX2显示,SSE2类似)2:

  vmovdqa ymm0, YMMWORD PTR .LC0[rip]
  vmovdqa ymm3, YMMWORD PTR .LC1[rip]
  xor eax, eax
  vpxor xmm2, xmm2, xmm2
.L2:
  vpmulld ymm1, ymm0, ymm0
  inc eax
  vpaddd ymm0, ymm0, ymm3
  vpslld ymm1, ymm1, 1
  vpaddd ymm2, ymm2, ymm1
  cmp eax, 125000000      ; 8 calculations per iteration
  jne .L2
  vmovdqa xmm0, xmm2
  vextracti128 xmm2, ymm2, 1
  vpaddd xmm2, xmm0, xmm2
  vpsrldq xmm0, xmm2, 8
  vpaddd xmm0, xmm2, xmm0
  vpsrldq xmm1, xmm0, 4
  vpaddd xmm0, xmm0, xmm1
  vmovd eax, xmm0
  vzeroupper
Run Code Online (Sandbox Code Playgroud)

运行时间:

  • SSE:0.24秒,或者快2倍.
  • AVX:0.15秒,或快3倍.
  • AVX2:0.08秒,或快5倍.

1 要获取JIT生成的程序集输出,请获取调试JVM并运行-XX:+PrintOptoAssembly

2 C版本使用-fwrapv标志进行编译,这使得GCC能够将带符号的整数溢出视为二进制补码.

  • @Damon为什么未定义的行为会成为优化器的问题?如果优化器在尝试计算结果时看到它溢出,那只意味着它可以根据需要对其进行优化,因为行为未定义. (42认同)
  • @Runemoro:如果优化器证明调用该函数将不可避免地导致未定义的行为,它可以选择假设该函数永远不会被调用,并且不为它发出任何主体.或者只发出一个`ret`指令,或者发出一个标签和*no*ret指令,这样执行就会失败.事实上,海湾合作委员会确实表现出这种情况,有时它遇到了UB.例如:[为什么ret会随着优化而消失?](/sf/answers/3707692621/).你肯定想编译格式良好的代码,以确保asm是理智的. (12认同)
  • 优化程序在C示例中遇到的最大问题是有符号整数溢出调用的未定义行为.否则,这可能会导致简单地加载常量,因为整个循环可以在编译时计算. (11认同)
  • 由于代码效率低下,它可能只是一个前端uop吞吐量瓶颈.它甚至没有使用LEA作为`mov` /`add-immediate`的窥视孔.例如`movl RBX,R9` /`addl RBX,#8`应该是`leal ebx,[r9 + 8]`,1 uop来复制和添加.或者`leal ebx,[r9 + r9 + 16]`做`ebx = 2*(r9 + 8)`.所以是的,展开到溢出的地方是愚蠢的,天真的脑死亡代码也不利用整数身份和关联整数数学. (8认同)
  • 在C2(https://bugs.openjdk.java.net/browse/JDK-8078563)中禁用了顺序缩减的矢量化,但现在正考虑重新启用(https://bugs.openjdk.java.net/)浏览/ JDK-8188313). (7认同)
  • 4c L1d负载使用延迟不是这里的一个因素.RSP在整个过程中是恒定的,因此无序执行可以足够早地运行负载以使数据准备就绪.溢出/重装的成本都在额外的成本上.存储/重新加载存储转发延迟(3到5个周期)与L1d缓存命中延迟是分开的,并且是一个可能的问题,但我不认为这发生在这里.循环每次迭代需要超过5个循环,因此它不是瓶颈.而且我认为商店吞吐量也不是瓶颈. (2认同)
  • @kasperd寄存器名称不同,因为向量指令使用*与正常指令完全不同的寄存器*. (2认同)
  • @MartinBonner在我写评论时,这个答案中没有向量说明.[This](https://stackoverflow.com/revisions/53453588/2)是我评论的答案的版本. (2认同)
  • @Runemoro,`-fwrapv`选项约*限制*可以执行哪些优化.由于有符号整数溢出是未定义的行为,并且优化器可以证明程序的执行将不可避免地遇到有符号整数溢出,因此它可以以任何感觉适合的方式自由优化,包括发出空程序或使恶魔飞行从你的鼻子里出来.`-fwrapv`选项将其转换为实现定义的行为,并限制优化器生成实际执行数学运算的代码,或者至少产生与数学运算完成时相同的结果. (2认同)
  • 请注意[Clang在这里做了一些奇迹](https://godbolt.org/z/6ANRgO)无论你放哪个括号:它**完全优化了循环**使用封闭形式1²+2²+ ...... +n²= n(n + 1)(2n + 1)/ 6,将O(n)代码转换为O(1)代码! (2认同)

Run*_*oro 129

当乘法运算时2 * (i * i),JVM能够2将循环中的乘法分解出来,从而得到这个等效但更有效的代码:

int n = 0;
for (int i = 0; i < 1000000000; i++) {
    n += i * i;
}
n *= 2;
Run Code Online (Sandbox Code Playgroud)

但是当乘法运算时(2 * i) * i,JVM不会优化它,因为在加法之前不再乘以常数.

以下是我认为是这种情况的几个原因:

  • if (n == 0) n = 1在循环开始时添加语句会导致两个版本同样有效,因为将乘法分解不再保证结果将是相同的
  • 优化版本(通过将乘法除以2)与2 * (i * i)版本完全一样快

以下是我用来得出这些结论的测试代码:

public static void main(String[] args) {
    long fastVersion = 0;
    long slowVersion = 0;
    long optimizedVersion = 0;
    long modifiedFastVersion = 0;
    long modifiedSlowVersion = 0;

    for (int i = 0; i < 10; i++) {
        fastVersion += fastVersion();
        slowVersion += slowVersion();
        optimizedVersion += optimizedVersion();
        modifiedFastVersion += modifiedFastVersion();
        modifiedSlowVersion += modifiedSlowVersion();
    }

    System.out.println("Fast version: " + (double) fastVersion / 1000000000 + " s");
    System.out.println("Slow version: " + (double) slowVersion / 1000000000 + " s");
    System.out.println("Optimized version: " + (double) optimizedVersion / 1000000000 + " s");
    System.out.println("Modified fast version: " + (double) modifiedFastVersion / 1000000000 + " s");
    System.out.println("Modified slow version: " + (double) modifiedSlowVersion / 1000000000 + " s");
}

private static long fastVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * (i * i);
    }
    return System.nanoTime() - startTime;
}

private static long slowVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += 2 * i * i;
    }
    return System.nanoTime() - startTime;
}

private static long optimizedVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        n += i * i;
    }
    n *= 2;
    return System.nanoTime() - startTime;
}

private static long modifiedFastVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        if (n == 0) n = 1;
        n += 2 * (i * i);
    }
    return System.nanoTime() - startTime;
}

private static long modifiedSlowVersion() {
    long startTime = System.nanoTime();
    int n = 0;
    for (int i = 0; i < 1000000000; i++) {
        if (n == 0) n = 1;
        n += 2 * i * i;
    }
    return System.nanoTime() - startTime;
}
Run Code Online (Sandbox Code Playgroud)

以下是结果:

Fast version: 5.7274411 s
Slow version: 7.6190804 s
Optimized version: 5.1348007 s
Modified fast version: 7.1492705 s
Modified slow version: 7.2952668 s
Run Code Online (Sandbox Code Playgroud)

  • 数学公式就像这样`2(1²)+2(2²)+2(3²)= 2(1²+2²+3²)`.这很简单,我只是忘了它,因为循环增量. (5认同)
  • 如果使用调试jvm打印出程序集,则这似乎不正确.你会在循环中看到一堆sall ...,#1,它们乘以2.有趣的是,*慢*版本似乎在循环中没有倍增. (5认同)
  • @StefansArya - 不.考虑限制为4的情况,我们试图计算'2*1*1 + 2*2*2 + 2*3*3`.很明显,计算"1*1 + 2*2 + 3*3"并乘以2是正确的,而乘以8则不是. (4认同)
  • 这是一个基准:https://github.com/jawb-software/stackoverflow-53452713 (3认同)
  • 我认为在optimizeVersion上,它应该是`n*= 2000000000;` (3认同)
  • 为什么JVM可以从2*(i*i)`中分解2而不是从(2*i)*i`中分解出来?我认为它们是等价的(这可能是我不好的假设).如果是这样,JVM在优化之前不会规范化表达式吗? (2认同)

DSc*_*idt 40

ByteCodes:https:
//cs.nyu.edu/courses/fall00/V22.0201-001/jvm2.html ByteCodes查看器:https://github.com/Konloch/bytecode-viewer

在我的JDK(Win10 64 1.8.0_65-b17)上,我可以重现并解释:

public static void main(String[] args) {
    int repeat = 10;
    long A = 0;
    long B = 0;
    for (int i = 0; i < repeat; i++) {
        A += test();
        B += testB();
    }

    System.out.println(A / repeat + " ms");
    System.out.println(B / repeat + " ms");
}


private static long test() {
    int n = 0;
    for (int i = 0; i < 1000; i++) {
        n += multi(i);
    }
    long startTime = System.currentTimeMillis();
    for (int i = 0; i < 1000000000; i++) {
        n += multi(i);
    }
    long ms = (System.currentTimeMillis() - startTime);
    System.out.println(ms + " ms A " + n);
    return ms;
}


private static long testB() {
    int n = 0;
    for (int i = 0; i < 1000; i++) {
        n += multiB(i);
    }
    long startTime = System.currentTimeMillis();
    for (int i = 0; i < 1000000000; i++) {
        n += multiB(i);
    }
    long ms = (System.currentTimeMillis() - startTime);
    System.out.println(ms + " ms B " + n);
    return ms;
}

private static int multiB(int i) {
    return 2 * (i * i);
}

private static int multi(int i) {
    return 2 * i * i;
}
Run Code Online (Sandbox Code Playgroud)

输出:

...
405 ms A 785527736
327 ms B 785527736
404 ms A 785527736
329 ms B 785527736
404 ms A 785527736
328 ms B 785527736
404 ms A 785527736
328 ms B 785527736
410 ms
333 ms
Run Code Online (Sandbox Code Playgroud)

所以为什么?字节代码是这样的:

 private static multiB(int arg0) { // 2 * (i * i)
     <localVar:index=0, name=i , desc=I, sig=null, start=L1, end=L2>

     L1 {
         iconst_2
         iload0
         iload0
         imul
         imul
         ireturn
     }
     L2 {
     }
 }

 private static multi(int arg0) { // 2 * i * i
     <localVar:index=0, name=i , desc=I, sig=null, start=L1, end=L2>

     L1 {
         iconst_2
         iload0
         imul
         iload0
         imul
         ireturn
     }
     L2 {
     }
 }
Run Code Online (Sandbox Code Playgroud)

区别在于:
括号(2 * (i * i)):

  • 推送const堆栈
  • 在堆栈上推送本地
  • 在堆栈上推送本地
  • 乘以堆栈顶部
  • 乘以堆栈顶部

没有括号(2 * i * i):

  • 推送const堆栈
  • 在堆栈上推送本地
  • 乘以堆栈顶部
  • 在堆栈上推送本地
  • 乘以堆栈顶部

加载所有堆栈然后再运行比在堆栈和操作之间切换更快.

  • 但是为什么push-push-multiply-multiply比push-multiply-push-multiply快? (2认同)

小智 34

卡斯珀德在接受的回答中评论道:

Java和C示例使用完全不同的寄存器名称.两个都是使用AMD64 ISA的例子吗?

xor edx, edx
xor eax, eax
.L2:
mov ecx, edx
imul ecx, edx
add edx, 1
lea eax, [rax+rcx*2]
cmp edx, 1000000000
jne .L2
Run Code Online (Sandbox Code Playgroud)

我没有足够的声誉在评论中回答这个问题,但这些是相同的ISA.值得指出的是,GCC版本使用32位整数逻辑,而JVM编译版本在内部使用64位整数逻辑.

R8到R15只是新的X86_64 寄存器.EAX到EDX是RAX到RDX通用寄存器的下半部分.答案中的重要部分是GCC版本未展开.它只是每个实际的机器代码循环执行一轮循环.虽然JVM版本在一个物理循环中有16轮循环(基于rustyx答案,我没有重新解释程序集).这是使用更多寄存器的原因之一,因为循环体实际上长了16倍.

  • 糟糕的gcc并没有注意到它可以使`* 2`脱离循环。尽管在这种情况下,这样做并不是一个胜利,因为使用LEA是免费的。在Intel CPU上,“ lea eax,[rax + rcx * 2]”与“ add eax,ecx”具有相同的1c延迟。但是,在AMD CPU上,任何缩放索引都会将LEA延迟增加到2个周期。因此,循环承载的依赖链延长到2个周期,成为Ryzen的瓶颈。(在Ryzen和Intel上,“ imul ecx,edx”的吞吐量为每个时钟1个)。 (2认同)

小智 30

虽然与问题的环境没有直接关系,但仅仅是为了好奇,我在.Net Core 2.1,x64,发布模式上做了同样的测试.这是一个有趣的结果,证实了在力量的黑暗面发生的类似的phonemenia(其他方式).码:

static void Main(string[] args)
{
    Stopwatch watch = new Stopwatch();

    Console.WriteLine("2 * (i * i)");

    for (int a = 0; a < 10; a++)
    {
        int n = 0;

        watch.Restart();

        for (int i = 0; i < 1000000000; i++)
        {
            n += 2 * (i * i);
        }

        watch.Stop();

        Console.WriteLine($"result:{n}, {watch.ElapsedMilliseconds} ms");
    }

    Console.WriteLine();
    Console.WriteLine("2 * i * i");

    for (int a = 0; a < 10; a++)
    {
        int n = 0;

        watch.Restart();

        for (int i = 0; i < 1000000000; i++)
        {
            n += 2 * i * i;
        }

        watch.Stop();

        Console.WriteLine($"result:{n}, {watch.ElapsedMilliseconds}ms");
    }
}
Run Code Online (Sandbox Code Playgroud)

结果:

2*(i*i)

  • 结果:119860736,438ms
  • 结果:119860736,433ms
  • 结果:119860736,437ms
  • 结果:119860736,435ms
  • 结果:119860736,436ms
  • 结果:119860736,435ms
  • 结果:119860736,435ms
  • 结果:119860736,439ms
  • 结果:119860736,436ms
  • 结果:119860736,437ms

2*i*i

  • 结果:119860736,417ms
  • 结果:119860736,417ms
  • 结果:119860736,417ms
  • 结果:119860736,418ms
  • 结果:119860736,418ms
  • 结果:119860736,417ms
  • 结果:119860736,418ms
  • 结果:119860736,416ms
  • 结果:119860736,417ms
  • 结果:119860736,418ms

  • 除此之外是另一种方式 (5认同)
  • @SamB它仍然在imgur.com域上,这意味着它只能在imgur中生存. (2认同)

pau*_*sm4 20

我得到了类似的结果:

2 * (i * i): 0.458765943 s, n=119860736
2 * i * i: 0.580255126 s, n=119860736
Run Code Online (Sandbox Code Playgroud)

如果两个循环都在同一个程序中,或者每个循环都在一个单独的.java文件/ .class中,我在单独的运行中执行,我得到了SAME结果.

最后,这是javap -c -v <.java>每个的反编译:

     3: ldc           #3                  // String 2 * (i * i):
     5: invokevirtual #4                  // Method java/io/PrintStream.print:(Ljava/lang/String;)V
     8: invokestatic  #5                  // Method java/lang/System.nanoTime:()J
     8: invokestatic  #5                  // Method java/lang/System.nanoTime:()J
    11: lstore_1
    12: iconst_0
    13: istore_3
    14: iconst_0
    15: istore        4
    17: iload         4
    19: ldc           #6                  // int 1000000000
    21: if_icmpge     40
    24: iload_3
    25: iconst_2
    26: iload         4
    28: iload         4
    30: imul
    31: imul
    32: iadd
    33: istore_3
    34: iinc          4, 1
    37: goto          17
Run Code Online (Sandbox Code Playgroud)

     3: ldc           #3                  // String 2 * i * i:
     5: invokevirtual #4                  // Method java/io/PrintStream.print:(Ljava/lang/String;)V
     8: invokestatic  #5                  // Method java/lang/System.nanoTime:()J
    11: lstore_1
    12: iconst_0
    13: istore_3
    14: iconst_0
    15: istore        4
    17: iload         4
    19: ldc           #6                  // int 1000000000
    21: if_icmpge     40
    24: iload_3
    25: iconst_2
    26: iload         4
    28: imul
    29: iload         4
    31: imul
    32: iadd
    33: istore_3
    34: iinc          4, 1
    37: goto          17
Run Code Online (Sandbox Code Playgroud)

仅供参考 -

java -version
java version "1.8.0_121"
Java(TM) SE Runtime Environment (build 1.8.0_121-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.121-b13, mixed mode)
Run Code Online (Sandbox Code Playgroud)

  • 获取[debug jre](https://github.com/ojdkbuild/ojdkbuild/releases)并使用`-XX:+ PrintOptoAssembly`运行.或者只是使用vtune或类似的. (2认同)

Ole*_*hov 17

使用Java 11进行有趣的观察并使用以下VM选项关闭循环展开:

-XX:LoopUnrollLimit=0
Run Code Online (Sandbox Code Playgroud)

带有2 * (i * i)表达式的循环导致更紧凑的本机代码1:

L0001: add    eax,r11d
       inc    r8d
       mov    r11d,r8d
       imul   r11d,r8d
       shl    r11d,1h
       cmp    r8d,r10d
       jl     L0001
Run Code Online (Sandbox Code Playgroud)

2 * i * i版本相比:

L0001: add    eax,r11d
       mov    r11d,r8d
       shl    r11d,1h
       add    r11d,2h
       inc    r8d
       imul   r11d,r8d
       cmp    r8d,r10d
       jl     L0001
Run Code Online (Sandbox Code Playgroud)

Java版本:

java version "11" 2018-09-25
Java(TM) SE Runtime Environment 18.9 (build 11+28)
Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11+28, mixed mode)
Run Code Online (Sandbox Code Playgroud)

基准测试结果:

Benchmark          (size)  Mode  Cnt    Score     Error  Units
LoopTest.fast  1000000000  avgt    5  694,868 ±  36,470  ms/op
LoopTest.slow  1000000000  avgt    5  769,840 ± 135,006  ms/op
Run Code Online (Sandbox Code Playgroud)

基准源代码:

@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MILLISECONDS)
@Warmup(iterations = 5, time = 5, timeUnit = TimeUnit.SECONDS)
@Measurement(iterations = 5, time = 5, timeUnit = TimeUnit.SECONDS)
@State(Scope.Thread)
@Fork(1)
public class LoopTest {

    @Param("1000000000") private int size;

    public static void main(String[] args) throws RunnerException {
        Options opt = new OptionsBuilder()
            .include(LoopTest.class.getSimpleName())
            .jvmArgs("-XX:LoopUnrollLimit=0")
            .build();
        new Runner(opt).run();
    }

    @Benchmark
    public int slow() {
        int n = 0;
        for (int i = 0; i < size; i++)
            n += 2 * i * i;
        return n;
    }

    @Benchmark
    public int fast() {
        int n = 0;
        for (int i = 0; i < size; i++)
            n += 2 * (i * i);
        return n;
    }
}
Run Code Online (Sandbox Code Playgroud)

1 - 使用的VM选项: -XX:+UnlockDiagnosticVMOptions -XX:+PrintAssembly -XX:LoopUnrollLimit=0

  • 哇,这是一些脑死亡的问题.而不是在复制它之前递增`i`*以计算'2*i`,而是在它需要额外的`add r11d,2`指令之后执行它.(另外它错过了`添加相同,相同'的窥视孔而不是`shl`乘以1(在更多端口上添加运行).它还错过了一个LEA窥视孔,用于`x*2 + 2`(`lea r11d,[r8*2 + 2]`)如果它真的想按照那个顺序做一些疯狂的指令调度的原因.我们已经可以从展开的版本中看到错过了LEA的成本是u*很多uops,就像两个循环一样这里. (2认同)
  • 如果JIT编译器有时间在长时间运行的循环中寻找优化,那么`lea eax,[rax + r11*2]`将替换2个指令(在两个循环中).任何体面的提前编译器都会找到它.(除非可能只调整AMD,因为缩放索引LEA有2个周期延迟,所以可能不值得.) (2认同)

NoD*_*und 16

我使用默认原型尝试了JMH:我还添加了基于Runemoro的优化版本的解释.

@State(Scope.Benchmark)
@Warmup(iterations = 2)
@Fork(1)
@Measurement(iterations = 10)
@OutputTimeUnit(TimeUnit.NANOSECONDS)
//@BenchmarkMode({ Mode.All })
@BenchmarkMode(Mode.AverageTime)
public class MyBenchmark {
  @Param({ "100", "1000", "1000000000" })
  private int size;

  @Benchmark
  public int two_square_i() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += 2 * (i * i);
    }
    return n;
  }

  @Benchmark
  public int square_i_two() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += i * i;
    }
    return 2*n;
  }

  @Benchmark
  public int two_i_() {
    int n = 0;
    for (int i = 0; i < size; i++) {
      n += 2 * i * i;
    }
    return n;
  }
}
Run Code Online (Sandbox Code Playgroud)

结果如下:

Benchmark                           (size)  Mode  Samples          Score   Score error  Units
o.s.MyBenchmark.square_i_two           100  avgt       10         58,062         1,410  ns/op
o.s.MyBenchmark.square_i_two          1000  avgt       10        547,393        12,851  ns/op
o.s.MyBenchmark.square_i_two    1000000000  avgt       10  540343681,267  16795210,324  ns/op
o.s.MyBenchmark.two_i_                 100  avgt       10         87,491         2,004  ns/op
o.s.MyBenchmark.two_i_                1000  avgt       10       1015,388        30,313  ns/op
o.s.MyBenchmark.two_i_          1000000000  avgt       10  967100076,600  24929570,556  ns/op
o.s.MyBenchmark.two_square_i           100  avgt       10         70,715         2,107  ns/op
o.s.MyBenchmark.two_square_i          1000  avgt       10        686,977        24,613  ns/op
o.s.MyBenchmark.two_square_i    1000000000  avgt       10  652736811,450  27015580,488  ns/op
Run Code Online (Sandbox Code Playgroud)

在我的电脑上(Core i7 860,在我的智能手机上阅读时没有什么区别):

  • n += i*in*2是第一次
  • 2 * (i * i) 是第二个.

JVM显然没有以与人类相同的方式进行优化(基于Runemoro答案).

现在,阅读字节码: javap -c -v ./target/classes/org/sample/MyBenchmark.class

我不是字节码方面的专家,但我们iload_2之前imul:我们可能会得到不同之处:我可以假设JVM优化读数i两次(i已经在这里,没有必要再次加载),而在2*i*i它不能.

  • AFAICT字节码与性能无关,我不会尝试根据它来估计更快的速度.它只是JIT编译器的源代码......确保可以保留重新排序源代码行的意义 - 改变结果代码和效率,但这一切都是不可预测的. (4认同)

Gho*_*ica 13

更多的附录.我使用IBM最新的Java 8 JVM重新进行了实验:

java version "1.8.0_191"
Java(TM) 2 Runtime Environment, Standard Edition (IBM build 1.8.0_191-b12 26_Oct_2018_18_45 Mac OS X x64(SR5 FP25))
Java HotSpot(TM) 64-Bit Server VM (build 25.191-b12, mixed mode)
Run Code Online (Sandbox Code Playgroud)

这显示了非常相似的结果:

0.374653912 s
n = 119860736
0.447778698 s
n = 119860736
Run Code Online (Sandbox Code Playgroud)

(第二个结果使用2*i*i).

有趣的是,当在同一台机器上运行时,却使用Oracle java:

Java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.181-b13, mixed mode)
Run Code Online (Sandbox Code Playgroud)

结果平均有点慢:

0.414331815 s
n = 119860736
0.491430656 s
n = 119860736
Run Code Online (Sandbox Code Playgroud)

长话短说:即使HotSpot的次要版本号在这里也很重要,因为JIT实现中的细微差别会产生显着的影响.


Jor*_*nee 5

这两种添加方法会生成略有不同的字节代码:

  17: iconst_2
  18: iload         4
  20: iload         4
  22: imul
  23: imul
  24: iadd
Run Code Online (Sandbox Code Playgroud)

对于2 * (i * i)vs:

  17: iconst_2
  18: iload         4
  20: imul
  21: iload         4
  23: imul
  24: iadd
Run Code Online (Sandbox Code Playgroud)

为了2 * i * i.

当使用这样的JMH基准时:

@Warmup(iterations = 5, batchSize = 1)
@Measurement(iterations = 5, batchSize = 1)
@Fork(1)
@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.MILLISECONDS)
@State(Scope.Benchmark)
public class MyBenchmark {

    @Benchmark
    public int noBrackets() {
        int n = 0;
        for (int i = 0; i < 1000000000; i++) {
            n += 2 * i * i;
        }
        return n;
    }

    @Benchmark
    public int brackets() {
        int n = 0;
        for (int i = 0; i < 1000000000; i++) {
            n += 2 * (i * i);
        }
        return n;
    }

}
Run Code Online (Sandbox Code Playgroud)

差异很明显:

# JMH version: 1.21
# VM version: JDK 11, Java HotSpot(TM) 64-Bit Server VM, 11+28
# VM options: <none>

Benchmark                      (n)  Mode  Cnt    Score    Error  Units
MyBenchmark.brackets    1000000000  avgt    5  380.889 ± 58.011  ms/op
MyBenchmark.noBrackets  1000000000  avgt    5  512.464 ± 11.098  ms/op
Run Code Online (Sandbox Code Playgroud)

您观察到的是正确的,而不仅仅是您的基准测试风格的异常(即没有热身,请参阅如何在Java中编写正确的微基准测试?)

用Graal再次跑步:

# JMH version: 1.21
# VM version: JDK 11, Java HotSpot(TM) 64-Bit Server VM, 11+28
# VM options: -XX:+UnlockExperimentalVMOptions -XX:+EnableJVMCI -XX:+UseJVMCICompiler

Benchmark                      (n)  Mode  Cnt    Score    Error  Units
MyBenchmark.brackets    1000000000  avgt    5  335.100 ± 23.085  ms/op
MyBenchmark.noBrackets  1000000000  avgt    5  331.163 ± 50.670  ms/op
Run Code Online (Sandbox Code Playgroud)

你会发现结果更接近,这是有道理的,因为Graal是一个整体性能更好,更现代的编译器.

所以这实际上取决于JIT编译器能够优化特定代码片段的程度,并且不一定有合理的理由.