获取16或32字节固定大小缓冲区的C字符串长度？（XMM或YMM寄存器宽度）

Question

是否有任何方法可以通过将其加载到XMM或YMM寄存器中来获取存储在16字节或32字节缓冲区中的ASCII字符串的长度？本质上，我正在寻找第一个零字节的索引（以位或字节为单位）。

我的目标是避免循环和分支。我希望在AVX或SSE中，沿着BSF（向前扫描位）的方式存在某种东西，但是对字节而非位进行操作。

也许像下面这样？

_my_constant_time_strlen:
 vpxor ymm0, ymm0
 VPCMPEQB ymm0, ymm0, [rdi]
 vpmovmskb eax, ymm0
 bsf eax, eax
 ; string length is in eax?

   ; and rax, 31              ; editor's note: useless AND
 ret

Answer 1

这是究竟如何实现strlen或memchr与AVX2。 （对于固定大小的缓冲区，您知道缓冲区中的某处将有一个匹配项。）

（现在除外and）。

vpmovmskb将您的比较向量转换为字节比较结果的位图，您可以使用BSF搜索该位图。您的代码已经完全可以满足您的要求。

vpxor如果避免破坏它，可以将-zeroing退出循环。

真正的工作在Intel CPU（Haswell / Skylake）上总共只有3个uops：vpcmpeqb是1个微融合的uop，因为您避免了索引寻址模式。 vpmovmskb是1 uop，具有2到3个周期的延迟。 tzcnt在Intel或AMD CPU上为1 uop。（bsf在Intel上也是1 uop）。在Intel tzcnt或bsf具有3个周期的延迟。

因此，在主流Intel上，从准备好矢量加载数据到RAX长度的总延迟为1（vpcmpeqb）+ 2或3（movmsk）+ 3（tzcnt）= 6或7个周期。这是无分支的，只是数据依赖性，所以这是很合理的。无论地址或数据位于关键路径上，这都不会计算负载使用延迟或存储转发延迟。 而且吞吐量非常出色，在Intel上每个时钟只有1个脉冲（瓶颈在端口0和/或端口1上）。

在AMD Ryzen上vpcmpeqb ymm为2微秒，延迟为2c。 vpmovmskb ymm是2微秒（对于Port2），延迟为3c。 tzcnt是2微秒，延迟为2c。因此，总延迟= 7个周期，吞吐量是每2个周期1个瓶颈，这是movmsk吞吐量的瓶颈。（Ryzen lzcnt为1 uop / 1c延迟；大概tzcnt是位反转+之类的lzcnt东西。）

来自https://agner.org/optimize/的数字。

没有一条指令会扫描XMM或YMM寄存器中的第一个非零字节，唯一有效的方法是pcmpeqb/pmovmskb。vmovd xmm0, eax如果要在向量reg中使用字节位置而不是整数，则可以在最后。

但是通常您希望将结果保存在整数寄存器中。

在不先将movmsk转换为整数的情况下进行水平矢量搜索/扫描时，唯一想到的就是phminposuw，这不是您想要的。

或者也许vpand使用1,2,4,8,16, ...2 的幂的向量，然后vpsadbw对字节进行水平相加。结果中的最低设置位指示该8字节块中前0的位置。

或者，您可以执行log2（vector_length）步骤，对下一个元素进行混排和掩盖，因此最终得到一个矢量，其中输入中只有前0个0xff元素。然后，VPAND通过一个0,1,2,3,4,...与vpsadbwhsum 的向量，唯一的非零元素将是字节位置。但是，这是昂贵得多vpcmpeqb/ vpmovmskb/ bsf/ vmovd回XMM寄存器，如果你真的想要的结果由于某些原因XMM寄存器。

如果不确定是否有零字节，请使用tzcnt代替bsf，因为它会32为全零输入产生（操作数大小）。 bsf在AMD上速度也较慢，因此实际上您应该始终tzcnt在此处使用。

bsf如果输入为零，则使目标保持不变。（由AMD记录；英特尔说“未定义”，但仍然可以实现。）

和/或在位扫描后检查ZF以检测全零输入情况。（tzcnt将CF设置为全零输入，并根据输出是否为零设置ZF。）

另外，使用vpxor XMM而不是将寄存器清零YMM。在AMD上保存uop。